AI-translated from English; not yet reviewed by a fluent editor.

# வாகனச் சோதனைகளில் மீளும் வடிவங்கள் ஸ்டீரியோ ஆழ மதிப்பீட்டைச் சிதைக்கின்றன

> புளோரிடா பல்கலைக்கழகத் தலைமையிலான ஆய்வு, ஸ்டீரியோ ஆழ மதிப்பீட்டுப் பிழைகளுக்கு கேமரா மாதிரிப்பும் அளவுத்திருத்தமும் காரணம் எனக் கண்டறிகிறது. கட்டுப்படுத்தப்பட்ட வாகனச் சோதனைகளில் தவறான தடையுணர்வு நீடித்தது; குறைந்த எண்ணிக்கையிலான படத் தொகுப்புகளில் முன்மொழியப்பட்ட பாதுகாப்பு முறை பிழைகளைக் குறைத்தது.

By BIG CHANGE Editorial

Published: 2026-09-24T04:45:44.657Z
Updated: 2026-09-24T04:45:44.657Z
Canonical: https://bigchange.ai/blog/repeated-patterns-stereo-depth-vehicle-tests

![From behind, a tripod-mounted stereo camera points toward a freestanding panel with repeated dark and orange vertical stripes.](https://bigchange.ai/api/media/file/stereo-camera-repeated-pattern-hero-v2.png)
AI-generated conceptual illustration by BIG CHANGE.

காட்சியில் மீண்டும் மீண்டும் தோன்றும் வடிவங்கள், பொருட்களைத் தவறான தூரத்தில் இருப்பதாக ஸ்டீரியோ கேமராக்களையும் AI ஆழ மாதிரிகளையும் கணிக்கச் செய்யலாம் என புளோரிடா பல்கலைக்கழகத் தலைமையிலான குழு தெரிவிக்கிறது. கட்டுப்படுத்தப்பட்ட சோதனைகளில், நகரும் தரை ரோபோவும் காரும் கொண்டிருந்த கேமராக்கள் தவறான தடைக் கணிப்புகளை உருவாக்கின; தானியங்கிச் செலுத்தல் மென்பொருளுக்காக ஆய்வாளர்கள் குறிப்பிட்ட பதில் வரம்பை எட்டும் அளவுக்கு அவை நீடித்தன.

இந்த [செப்டம்பர் 14 அன்று arXiv-இல் வெளியான ஆய்வு](https://arxiv.org/abs/2609.16336), கேமராக்கள் ஒளியைப் பிக்சல்களாக மாற்றும் முறையுடனும் அவற்றின் இரு காட்சிகளையும் ஒன்றோடொன்று பொருத்தும் முறையுடனும் அந்தப் பிழைகளைத் தொடர்புபடுத்துகிறது. மென்பொருள் பாதுகாப்பு முறையையும் அது சோதிக்கிறது. தானியங்கி அமைப்புகளை உருவாக்குவோருக்கும் மதிப்பிடுவோருக்கும், கற்றுக்கொண்ட ஆழ மாதிரிகளிலும் தொடரும் ஒரு குறிப்பிட்ட தோல்வி முறை குறித்தும், அதை எவ்வாறு குறைக்கலாம் என்பதற்கான சான்று குறித்தும் கிடைக்கும் பயனுள்ள கண்டறிதல் இது.

## பெரிய மாற்றம்

- **என்ன மாறியது:** மீளும் காட்சிவடிவங்களில் உள்ள தெளிவின்மையை அளவிடக்கூடிய கேமரா விளைவுகளுடன் ஆராய்ச்சியாளர்கள் தொடர்புபடுத்தினர்; பின்னர் வழக்கமான ஸ்டீரியோ பொருத்தத்திலும் கற்றுக்கொண்ட மாதிரிகளிலும் ஆழப் பிழைகள் இருப்பதைக் காட்டினர். பொருத்தும் வழிமுறையை AI-ஆல் மாற்றியபோதும், சோதிக்கப்பட்ட அமைப்புகளில் இந்தப் பலவீனம் நீங்கவில்லை.
- **இது ஏன் முக்கியம்:** தடையுணர்வுக்கு தூர மதிப்பீடுகள் பயன்படுகின்றன. இந்தச் சோதனைகளில், ஓட்டப் பாதையின் பக்கத்தில் இருந்த வேன், அந்தப் பாதைக்குள்ளேயே தடையாகத் தோன்றலாம். எனவே வாகனத்தின் அடுத்த முடிவுக்கு ஆழ மதிப்பீட்டின் நம்பகத்தன்மை முக்கியமாகிறது.
- **எதைக் கவனிக்க வேண்டும்:** மீண்டும் தோன்றும் பொருத்தங்களைப் பொருத்தும் செயல்முறை சரிபார்க்கும் வகையில் முன்மொழியப்பட்ட பாதுகாப்பு முறை வடிவமைக்கப்பட்டுள்ளது. நம்பிக்கையளிக்கும் முடிவுகள் சில வரையறுக்கப்பட்ட படத் தொகுப்புகளையே உள்ளடக்குகின்றன; பிற கேமராக்கள், மாதிரிகள், இயக்கச் சூழல்களிலும் நம்பகமாகச் செயல்படுமா என்பதே நடைமுறைப் பயன்பாட்டுக்கான இன்னும் திறந்த கேள்வி.

## மீளும் வடிவங்கள் தூர மதிப்பீட்டை மாற்றும் விதம்

ஸ்டீரியோ கேமரா ஒரே காட்சியின் இரு பார்வைகளைப் பயன்படுத்துகிறது. ஒவ்வொரு படத்திலும் உள்ள ஒரு அம்சத்தை மென்பொருள் கண்டறிந்து, கிடைமட்ட இடமாற்றத்தை அளவிடுகிறது; இதை disparity என்கிறார்கள். கேமராவின் வடிவியல் அமைப்பு, அந்த இடமாற்றத்தைத் தூரமாக மாற்றுகிறது.

மீண்டும் தோன்றும் வடிவம் பல சாத்தியமான பொருத்தங்களை உருவாக்குகிறது. [ஆய்வுக் கட்டுரையின் பகுப்பாய்வு](https://arxiv.org/html/2609.16336v1#S3) தவறான பொருத்தம் வெல்லும் இரண்டு வழிகளைக் குறிப்பிடுகிறது. முதலாவதாக, ஒவ்வொரு கேமராவும் காட்சியைப் பிக்சல் கட்டமைப்பில் மாதிரி எடுக்கிறது. இருண்ட வடிவத்துக்கும் வெளிச்சமான பின்னணிக்கும் இடையிலான எல்லை, இரு கட்டமைப்புகளிலும் வேறுபட்ட இடத்தில் விழக்கூடும்; இதனால் பிக்சல் தீவிரத்தில் சிறிய வேறுபாடுகள் ஏற்படும். இரண்டாவதாக, அளவுத்திருத்தத்தில் மீதமிருக்கும் பிழைகள் படங்களுக்கிடையிலான ஒத்திசைவைக் குலைக்கின்றன.

இந்த விளைவுகள் ஒன்றுசேரும்போது, சரியான மீளும் வடிவத்தைவிட வேறொரு வடிவம் குறிப்புப் படத்துடன் அதிகம் பொருந்துவது போலத் தோன்றலாம். இதனால் கணக்கிடப்படும் இடமாற்றம், மேற்பரப்பு தவறான தூரத்தில் இருப்பதாகக் காட்டும். படங்களிலிருந்து பிரித்தெடுக்கப்பட்ட அம்சங்களை ஒப்பிடும் கற்றுக்கொண்ட ஸ்டீரியோ மாதிரிகளிலும் இந்த உணர்திறனை குழு கண்டறிந்தது.

ஆய்வில் திட்டமிட்டு தேர்ந்தெடுக்கப்பட்ட வடிவங்களே பயன்படுத்தப்பட்டன. கேமரா மற்றும் தொடர்புடைய செயலாக்க அமைப்புகள் பற்றிய அறிவு, அல்லது மதிப்பீட்டுக்குப் பயன்படுத்தக்கூடிய ஒத்த அமைப்புக்கான அணுகல் இருப்பதாக ஆய்வின் அச்சுறுத்தல் மாதிரி கருதுகிறது. [செப்டம்பர் 22 தேதியிட்ட UF-இன் ஆய்வு விளக்கம்](https://news.ufl.edu/2026/09/ai-powered-vehicles/)-இல், ஆய்வுத் தலைவர் Sara Rampazzi இயற்கையாகவே உருவாகும் மீளும் வடிவங்களும் பாதுகாப்புக் கவலையை ஏற்படுத்துவதாகக் குறிப்பிடுகிறார். சாதாரண சாலையோரக் காட்சிவடிவங்கள், பயன்பாட்டிலுள்ள வாகனங்களில் எத்தனை முறை ஆபத்தான பிழைகளை ஏற்படுத்துகின்றன என்பதை இந்த ஆய்வு அளவிடவில்லை.

## உணர்திறன் அமைப்பின் வெவ்வேறு பகுதிகளைச் சோதித்த ஆய்வுகள்

பதிவுசெய்யப்பட்ட படங்கள், நேரடி கேமரா அளவீடுகள், உருவகப்படுத்தல்கள் ஆகியவற்றில் ஆராய்ச்சியாளர்கள் சோதனைகளை நடத்தினர்.

| மதிப்பீடு | அமைப்புகளும் சூழல்களும் | அளவிட்டது என்ன |
| --- | --- | --- |
| மாற்றியமைக்கப்பட்ட ஓட்டப் படங்கள் | 7,518 KITTI ஸ்டீரியோ பட இணைகளில் மேலிடப்பட்ட வடிவங்கள்; BM, SGBM பொருத்தும் வழிமுறைகள், மேலும் PSMNet, MoCha-Stereo, UniMatch மாதிரிகள் | வழக்கமான மற்றும் கற்றுக்கொண்ட முறைகளில் கணிக்கப்பட்ட ஆழத்தில் ஏற்பட்ட மாற்றங்கள் |
| ஸ்டீரியோ மற்றும் LiDAR இணைப்பு | சமதளச் சுவரைக் குறிக்கும் வகையில் உருவாக்கப்பட்ட LiDAR புள்ளி மேகத்துடன் SGM-DDC | இந்த இணைப்பு முறை, வடிவத்தால் தூண்டப்பட்ட பிழையைத் தாங்கினதா |
| நேரடி கேமரா சோதனைகள் | உட்புறத்திலும் வெளிப்புறத்திலும் ZED2, RealSense கேமராக்கள் | காட்சிப்படுத்தப்பட்ட அல்லது ஒளிபரப்பப்பட்ட வடிவங்களால் ஏற்பட்ட ஆழப் பிழைகள் |
| உடல் இயக்கச் சோதனை | மணிக்கு 10 கிலோமீட்டரில் AgileX Hunter 2.0 தரை வாகனத்திலும், சுமார் மணிக்கு 15 கிலோமீட்டரில் காரிலும் பொருத்தப்பட்ட கேமராக்கள் | இயக்கத்தின்போது தவறான ஆழ மதிப்பீடுகள் எவ்வளவு நேரம் நீடித்தன |
| அதிக வேக உருவகப்படுத்தல் | மணிக்கு 10, 20, 30, 40 கிலோமீட்டர் வேகங்களில் CARLA சோதனை; BM வழிமுறையில் செயலாக்கப்பட்ட ஸ்டீரியோ படங்கள் | உருவகப்படுத்தப்பட்ட ஓட்டத்தில் ஆழப் பிழை நீடித்த காலம் |

கட்டுரையும் அதன் கலைப்பொருள் இணைப்பும் RealSense உணரியை D435 எனக் குறிப்பிடுகின்றன. [ஆசிரியர்களின் காட்சிப்படுத்தல் பக்கம்](https://cpseclab.github.io/stereocam/) D435i எனப் பெயரிடுகிறது; சரியான மாதிரி எது என்பதில் இந்த மூல விளக்கங்கள் ஒரே முடிவுக்கு வரவில்லை.

ஒரு உட்புறச் சோதனையில், கேமராக்களிலிருந்து மூன்று மீட்டர் தொலைவிலிருந்த மேற்பரப்பு, தேர்ந்தெடுக்கப்பட்ட வடிவச் சூழல்களில் ZED2-ஆல் 0.8 மீட்டராகவும் RealSense-ஆல் 0.6 மீட்டராகவும் கணிக்கப்பட்டது.

ஸ்டீரியோ பொருத்தத்தைக் கட்டுப்படுத்த LiDAR தூரங்களை SGM-DDC பயன்படுத்தியது. இணைப்பு இல்லாத முறைகளைவிட வடிவ மாற்றங்களுக்கு இது அதிக எதிர்ப்பைக் காட்டினாலும், சோதிக்கப்பட்ட அமைப்பில் பிழைகள் தொடர்ந்தன. உருவாக்கப்பட்ட LiDAR உள்ளீடு காரணமாக, இந்த முடிவு குறிப்பிட்ட சூழலில் சோதிக்கப்பட்ட ஒரே இணைப்பு முறைக்கே பொருந்துகிறது.

## ஓட்டச் சோதனைகள் தவறான தடையுணர்வை நிறுவின

நேரடி கார் சோதனையில், காரின் பயணப் பாதைக்கு அருகில் வைக்கப்பட்ட வேன் மீது ஆராய்ச்சியாளர்கள் ஒரு வடிவத்தை ஒளிபரப்பினர். தவறான ஆழ மதிப்பீட்டால் அந்த மேற்பரப்பின் ஒரு பகுதி, கார் செல்லும் பாதைக்குள் இருப்பதாகத் தோன்றியது. இரு கேமராக்களிலும் வெவ்வேறு ஒளிச்சூழல்களிலும், தவறான மதிப்பீடுகள் சுமார் 0.7 முதல் 1.2 விநாடிகள் வரை நீடித்ததாக ஆய்வின் முடிவுகள் அட்டவணை தெரிவிக்கிறது.

தொடர்ச்சியான செயலாக்கத்தின் மதிப்பீட்டுக்கு, ஆராய்ச்சியாளர்கள் Autoware-இன் Euclidean clustering முறையைப் பயன்படுத்தினர். இது ஆழ வரைபடத்தில் அருகருகே உள்ள புள்ளிகளைச் சாத்தியமான தடைகளாகக் குழுவாக்குகிறது. தவறான புள்ளிகள் தடையாகக் கண்டறியப்பட்டால் அந்தச் சோதனை வெற்றியடைந்ததாக அவர்கள் கணக்கிட்டனர்; தானியங்கி பதிலான அவசரப் பிரேக்கிங் ஏற்பட 0.5 விநாடி நீடிப்பு போதுமானது எனக் குறிப்பிட்டனர். [கலைப்பொருள் இணைப்பு](https://zenodo.org/records/20767261) பதிவுசெய்யப்பட்ட புள்ளி மேகங்களையும் தவறான ஆழக் குழு நீடித்த நேரத்தையும் மதிப்பிட்டதாகவும் விவரிக்கிறது.

நேரடி அவசரப் பிரேக்கிங் நடவடிக்கை, அளவிடப்பட்ட வேகக் குறைவு அல்லது விபத்து எதையும் வெளியிடப்பட்ட மதிப்பீடு ஆவணப்படுத்தவில்லை. ஆய்வால் எழும் அபாயங்களாகச் சாத்தியமான மோதல்களையும் திடீர் பிரேக்கிங்கையும் UF விவரிக்கிறது. அந்த விளைவுகள் அறிவிக்கப்பட்ட சோதனைகளில் காட்டப்படவில்லை.

நேரடி சோதனைகள் மணிக்கு அதிகபட்சம் 15 கிலோமீட்டர் வேகத்தில், கட்டுப்படுத்தப்பட்ட சூழலில் நடந்தன. மணிக்கு 40 கிலோமீட்டர் வேகத்திலான முடிவு CARLA உருவகப்படுத்தலிலிருந்து வந்தது: உருவகப்படுத்தப்பட்ட ஆழ மாற்றம் 2.1 விநாடிகள் நீடித்தது. தனியான உருவகப்படுத்தல் ஆய்வு செய்த சூழல்களை விரிவுபடுத்துகிறது; அந்த வேகத்தில் நேரடி சோதனை நடந்தது என்பதை நிறுவவில்லை.

## மீண்டும் வரும் பொருத்தங்களைப் பாதுகாப்பு முறை சோதிக்கிறது

இரு படங்களையும் ஒப்பிடப் பயன்படுத்தப்படும் மதிப்பெண்களை முன்மொழியப்பட்ட பாதுகாப்பு முறை ஆய்வு செய்கிறது. மீளும் கட்டமைப்புகள், பொருந்தக்கூடிய சாத்தியங்களின் தொடர்ச்சியான வரிசையை உருவாக்குகின்றன. அந்த ஒழுங்கை இம்முறை கண்டறிந்து, பாதிக்கப்பட்ட பகுதியை ஒரு பெரிய அலகாகப் பொருத்துவதால், மீண்டும் வரும் தவறான கூறைத் தேர்ந்தெடுக்கும் வாய்ப்பு குறைகிறது.

நேரடி சோதனைச் சூழலில் சேகரிக்கப்பட்ட 200 ஸ்டீரியோ பட இணைகளில், மதிப்பிடப்பட்ட நிகழ்வுகளில் 96.5%-இல் ஆழப் பிழையை அரை மீட்டருக்குக் கீழ் குறைத்ததாக ஆசிரியர்கள் தெரிவிக்கின்றனர். PSMNet-இன் இடைநிலைப் பொருத்தத் தகவல்களுக்கும் அவர்கள் இந்த முறையைப் பொருத்தினர். வடிவங்கள் சேர்க்கப்பட்ட 200 KITTI பட இணைகளில், அந்தப் பதிப்பு ஒவ்வொரு மதிப்பிடப்பட்ட நிகழ்விலும் பிழையை 0.1 மீட்டருக்குக் கீழ் குறைத்தது.

கற்றுக்கொண்ட மாதிரிக்கான பாதுகாப்பு முடிவு PSMNet-க்குரியது; MoCha-Stereo அல்லது UniMatch-இலும் அதே முடிவு கிடைக்கும் என்பதை இது நிறுவவில்லை. சமதள அல்லது ஓரளவு சமதள ஒளிபரப்புப் பரப்புகளுக்கே நேரடி சோதனைகளை ஆய்வு வரையறுத்தது; இயக்கச் சோதனைகளில் நிலையான வடிவம் பயன்படுத்தப்பட்டது. பயிற்சித் தரவு, ஒரு மாதிரியைப் பாதிக்கும் வடிவங்களையும் அவற்றின் தாக்கத்தையும் மாற்றக்கூடும் என்றும் ஆய்வின் விவாதப் பகுதி காட்டுகிறது.

கேமரா செயலாக்கத்திலும் கற்றுக்கொண்ட ஆழ மதிப்பீட்டிலும் மீளும் வடிவங்கள் ஏற்படுத்தும் தாக்கத்தை ஆய்வு செய்ய இந்தச் சோதனைகள் அமைப்பு உருவாக்குநர்களுக்கு ஒரு காரணத்தை அளிக்கின்றன. பயன்பாட்டிலுள்ள முழு அமைப்பின் அனைத்துச் செயல்பாட்டு சூழல்களிலும் இந்தப் பாதுகாப்பு முறை எவ்வாறு செயல்படும் என்பது இன்னும் நிறுவப்படவில்லை.

ACM CCS 2026 மாநாட்டில் விரைவில் வெளியிடப்படவுள்ளதாக ஆசிரியர்கள் கட்டுரையைக் குறிப்பிட்டுள்ளனர். [மாநாட்டின் அதிகாரப்பூர்வத் தளம்](https://www.sigsac.org/ccs/CCS2026/) ஹேக் நகரில் நவம்பர் 15–19 தேதிகளில் மாநாடு நடைபெறும் என்றும் இறுதி நிகழ்ச்சி நிரல் தயாராகி வருவதாகவும் கூறுகிறது. அங்கு இந்த ஆய்வுப் பணி இன்னும் சமர்ப்பிக்கப்படவில்லை.

## ஆதாரங்களும் மேலும் வாசிக்கவும்

- [ஆழ மாயை: ஆழ மதிப்பீட்டில் ஸ்டீரியோ பார்வையின் மறைந்த பாதிப்புகள்](https://arxiv.org/abs/2609.16336), 2026 செப்டம்பர் 14. முழு ஆய்வுக் கட்டுரை, தோல்வி முறை, மதிப்பிடப்பட்ட வழிமுறைகள் மற்றும் கேமராக்கள், நேரடி மற்றும் உருவகப்படுத்தப்பட்ட சூழல்கள், பாதுகாப்பு முடிவுகள், வரம்புகள் ஆகியவற்றைத் தருகிறது. வாகனம் குறித்த அதன் முடிவு தவறான தடையுணர்வும், அதற்காகக் குறிப்பிடப்பட்ட பதில் வரம்பும் ஆகும்; நேரடி பிரேக்கிங் நடவடிக்கை அல்லது மோதலை முறைகள் ஆவணப்படுத்தவில்லை.
- [புளோரிடா பல்கலைக்கழகத்தின் ஆய்வு விளக்கம்](https://news.ufl.edu/2026/09/ai-powered-vehicles/), 2026 செப்டம்பர் 22. ஆய்வுக் குழுவின் விளக்கத்தையும் அதற்குக் கூறப்பட்ட பாதுகாப்பு விளைவுகளையும் வழங்குகிறது. மோதல் மற்றும் திடீர் பிரேக்கிங் குறித்த காட்சிகள் சாத்தியமான விளைவுகளை விவரிக்கின்றன; கவனிக்கப்பட்ட சம்பவங்கள் அல்ல.
- [ஆசிரியர்களின் காட்சிப்படுத்தல் பக்கம்](https://cpseclab.github.io/stereocam/); [ஆய்வுக் கலைப்பொருட்கள்](https://zenodo.org/records/20767261), 2026 செப்டம்பர் 24 அன்று சரிபார்க்கப்பட்டது. கலைப்பொருள் இணைப்பு, படங்கள், புள்ளி மேகங்கள், உருவகப்படுத்தல் மதிப்பீடுகளை விவரிக்கிறது. காட்சிப்படுத்தல் விளக்கங்களில் D435i என்றும், ஆய்வுக் கட்டுரையிலும் இணைப்பிலும் D435 என்றும் உள்ளது. BIG CHANGE சோதனைகளை மீண்டும் நடத்தவில்லை.
- [ACM CCS 2026](https://www.sigsac.org/ccs/CCS2026/), 2026 செப்டம்பர் 24 அன்று சரிபார்க்கப்பட்டது. மாநாட்டுத் தேதிகளையும் நடைபெறும் இடத்தையும் உறுதிப்படுத்துகிறது. விரைவில் வெளியிடப்படவுள்ள கட்டுரை என்ற நிலையை ஆசிரியர்கள் குறிப்பிட்டுள்ளனர்; இக்கட்டுரைக்காகப் பார்த்த மாநாட்டுப் பக்கத்தில் குறிப்பிட்ட சமர்ப்பிப்பு நேரம் வழங்கப்படவில்லை.

## Sources

- [ஆழ மாயை: ஆழ மதிப்பீட்டில் ஸ்டீரியோ பார்வையின் மறைந்த பாதிப்புகள்](https://arxiv.org/abs/2609.16336) — 2026 செப்டம்பர் 14. முழு ஆய்வுக் கட்டுரை, அதன் முறைகள், படங்கள், இணைப்புகள் ஆகியவை தோல்வி முறை, மதிப்பிடப்பட்ட அமைப்புகள், பாதுகாப்பு முடிவுகளை நிறுவுகின்றன. நேரடி வாகனச் சோதனைகள் தவறான ஆழத்தையும் தடைக் குழுவாக்கத்தையும் அளந்தன; பதில் நடவடிக்கை நீடிப்பு வரம்பிலிருந்து ஊகிக்கப்பட்டது. நேரடி பிரேக்கிங் அல்லது விபத்து எதையும் அவை ஆவணப்படுத்தவில்லை.
- [புளோரிடா பல்கலைக்கழகம்: எளிய காட்சிவடிவங்கள் AI வாகனங்களையும் ரோபோக்களையும் ஏமாற்றலாம்](https://news.ufl.edu/2026/09/ai-powered-vehicles/) — நேரடி மூலத்தில் உள்ள தேதியின்படி 2026 செப்டம்பர் 22. ஆய்வுக் குழுவின் விளக்கத்தையும் அதற்குக் கூறப்பட்ட பாதுகாப்புக் கவலைகளையும் வழங்குகிறது. மோதல், திடீர் பிரேக்கிங் காட்சிகள் சாத்தியமான விளைவுகளை விவரிக்கின்றன; கவனிக்கப்பட்ட சம்பவங்கள் அல்ல.
- [ஆசிரியர் காட்சிப்படுத்தல் பக்கம்: ஆழ மாயை](https://cpseclab.github.io/stereocam/) — 2026 செப்டம்பர் 24 அன்று சரிபார்க்கப்பட்டது. சோதனையையும் விரைவில் நடைபெறவுள்ள ACM CCS-இல் சமர்ப்பிக்கப்படும் நிலையும் விவரிக்கிறது. காட்சிப்படுத்தல் விளக்கங்கள் RealSense D435i எனக் குறிப்பிடுகின்றன; ஆய்வுக் கட்டுரையும் கலைப்பொருள் இணைப்பும் D435 என்கின்றன. உட்பொதிக்கப்பட்ட காணொளிகள் கூடுதல் ஆதாரமாகப் பயன்படுத்தப்படவில்லை.
- [ஆழ மாயை ஆய்வுக் கலைப்பொருட்களும் இணைப்பும்](https://zenodo.org/records/20767261) — தற்போதைய பதிப்பு 2026 ஆகஸ்ட் 8 அன்று வெளியிடப்பட்டது; செப்டம்பர் 24 அன்று சரிபார்க்கப்பட்டது. முழு இணைப்பு, பதிவுசெய்யப்பட்ட புள்ளி மேக மதிப்பீடுகள், நேரடி சோதனைக் காலங்கள், CARLA உருவகப்படுத்தல்கள், பாதுகாப்பு மதிப்பீடு ஆகியவற்றை விவரிக்கிறது. BIG CHANGE சோதனைகளை மீண்டும் நடத்தவில்லை.
- [ACM CCS 2026 அதிகாரப்பூர்வ மாநாட்டுத் தளம்](https://www.sigsac.org/ccs/CCS2026/) — 2026 செப்டம்பர் 24 அன்று சரிபார்க்கப்பட்டது. ஹேக் நகரில் நவம்பர் 15–19 தேதிகளில் மாநாடு நடைபெறுவதையும், இறுதி நிகழ்ச்சி நிரல் தயாராகிறது என செப்டம்பர் 18 அன்று வெளியிட்ட அறிவிப்பையும் உறுதிப்படுத்துகிறது. இந்த ஆய்வு விரைவில் வெளிவரவுள்ளதாக ஆசிரியர்கள் தெரிவித்துள்ளனர்; பார்த்த மாநாட்டுப் பக்கத்தில் அதன் சமர்ப்பிப்பு நேரம் இல்லை.