在自动驾驶领域，使用卷积神经网络（CNN）进行端到端的方向控制任务已经取得了成功。但是单一任务学习方向控制并不足以进行车辆控制，因此本文提出了一种多任务学习的框架，通过预测视觉输入和上一时刻的速度反馈来同时预测方向控制和速度控制。通过实验，证明了该模型能够准确地预测方向角和速度值。此外，本文还改进了故障数据合成方法，以解决在真实道路测试中出现的错误积累问题。

Jan, 2018

通过提出三个小型，计算成本较低的深度端到端神经网络模型，直接从输入图像中产生驾驶控制信号，并利用深度和薄型全卷积网络与递归神经网络以及低参数计数等方法来解决复杂的端到端回归任务，预测转向和加速度指令，并包括分类优化层，以允许网络隐式地学习图像语义。我们证明，与最新的可比较的端到端驾驶网络相比，所得到的网络使用了 3 倍少的参数以及比 AlexNet 变化小 500 倍，同时维持对于过拟合的稳健性。

Nov, 2017

NVIDIA 的整个自动驾驶软件中的神经网络系统 PilotNet 能够根据道路前方的图像输出转向角，其根据观测到的人类驾驶员的行为进行训练。本文旨在解释 PilotNet 学习的内容以及其如何作出决策，通过实现确定道路图像中最影响 PilotNet 转向决策的元素的方法，展示 PilotNet 不仅学习了显而易见的车道标记、路边的边缘和其他车辆等特性，还学会了更加微妙难以预料和规划的特征，例如路边的灌木丛和非典型车辆类别。

Apr, 2017

该研究提出了一种基于 C-LSTM 的全面可训练的人工神经网络模型，用于根据前置摄像头数据流和关联的车辆转向角度学习驾驶的视觉和动态时间依赖关系。同时，将转向角度回归问题作为分类问题，并在输出层神经元之间施加一定的空间关系，从而通过学习编码转向角度的正弦函数的方法来进行转向预测，该方法在公开数据集 Comma.ai 上验证，相较于现有方法，平均根均方误差提升了 35％，转向更为稳定。

Oct, 2017

该论文提出了第一种无监督学习框架 self-supervised imitation learning (SSIL)，该框架可以在没有使用驾驶命令数据的情况下学习 E2E 驾驶网络，并且与监督学习对照组具有可比较的 E2E 驾驶准确性。

Aug, 2023

本文基于大量的实证评估，探讨了近期深度学习技术在高速公路感知场景中的应用，通过使用神经网络对车道和车辆进行检测，同时保证了实时性，证实了深度学习在自动驾驶领域的潜在应用价值。

Apr, 2015

本文研究利用低成本车载摄像头进行自主驾驶算法，并通过深度神经网络将原始输入图像直接映射到方向盘角度的视觉模型，提出了一种结合空间和时间线索的模型，有助于解释学习到的模型，通过分析人类驾驶数据，比较了此模型与其他自主驾驶车辆状态先进模型的性能差异。

Aug, 2017

通过使用注意力模型来提高 CARLA 驾驶模拟器的性能，同时通过模仿学习训练代理人来解释自动驾驶中深度学习无法解释的决策问题。

Jun, 2020

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

本研究使用全卷积神经网络，在 LIDAR 点云、GPS-IMU 信息和 Google 驾驶方向的帮助下生成驾驶路径，并通过测试获得了良好的性能，标志着该系统有望填补底层场景解析和行为反射方法之间的差距。

Mar, 2017