该论文提出了一种通过模块化和抽象化来从仿真环境中转移自动驾驶车辆策略到现实世界的方法，该方法旨在将模块化架构和端到端的深度学习方法的优点相结合，从而解决自动驾驶车辆训练中的传递性问题，并在仿真城市环境和现实世界中进行了评估。

Apr, 2018

本论文综述了使用机器学习的端到端方法对全自动驾驶进行的实验和研究，讨论了输入和输出模态、神经网络架构和评估方案，着重关注了可解释性和安全性这两方面的挑战，并提出了一种将端到端自动驾驶系统中最有前途的元素结合在一起的架构。

Mar, 2020

研究降低语义分割标注成本对行为克隆代理学习的影响，发现利用视觉抽象表示可实现更佳的标注效率和驾驶性能，并发现了其他训练优势。

May, 2020

本文探讨使用大型语言模型（LLM）作为自动驾驶系统的潜力，认为传统优化和模块化的自动驾驶系统无法应对复杂情况，提出了理想的自动驾驶系统应具备的推理、解释和记忆三个关键能力，并通过实验证明LLM在自动驾驶中具有卓越的推理能力为人类化自动驾驶的发展提供了有价值的思路。

Jul, 2023

自动驾驶技术是改变交通运输和城市流动性的催化剂，从基于规则的系统过渡到基于数据驱动的策略。该研究论文系统地回顾了大型语言模型在自动驾驶领域的应用，并评估了当前技术进展、主要挑战和未来方向。

Nov, 2023

综述了近期基于机器学习的技术，包括但不限于目标检测、轨迹预测与强化学习，以及对其进行分类和研究趋势，同时指出了该领域的挑战和未来研究方向。

Aug, 2023

通过规划导向的主动学习方法，本研究探索了如何在自动驾驶中实现样本和标注的高效利用，实验证明该方法在性能上远超过一般的主动学习方法，并且仅使用了30%的nuScenes数据就取得了与最先进的端到端自动驾驶方法相媲美的性能，希望本研究能激发未来从数据为中心的角度探索端到端自动驾驶的相关研究。

Mar, 2024

通过使用显著语义地图进行训练期间添加损失项，引导注意力可以改善自动驾驶模型的驾驶质量，并获得更直观的激活图，特别是在数据和计算资源有限的情况下。

Apr, 2024

应对协变量转移现象的挑战，我们提出了Learn from Mistakes (LfM)作为解决方案。通过在各种场景中部署预训练的规划器，LfM标记离开其即时目标的情况作为错误，并将这些错误对应的环境分类为闭环错误数据集。为了利用闭环错误进行学习，我们引入了弱监督方法Validity Learning来确定当前环境背景中的有效轨迹，实验结果表明该方法显著提高了封闭环路指标，如进展和碰撞率。

Jun, 2024

本研究解决了端到端自动驾驶架构在可解释性方面的挑战，促进了人机信任。我们提出的Hint-AD系统通过将自然语言与自动驾驶模型的中间输出相联系，实现了对驾驶行为的全面解释。此方法在驾驶解释、3D密集标注和指令预测等任务上表现出色，推动了这一领域的研究进展。

Sep, 2024