自动驾驶中的联合注意力 (JAAD)
自动驾驶汽车面临的主要挑战之一是在城市环境中行驶。本文从共同注意力的角度解决行人和司机（或车辆）之间的互动问题，讨论共同注意力理论背景、其在交通互动中的应用以及自动驾驶汽车实现共同注意力的实际方法。
Feb, 2018
提出了一种计算模型估计人们对所处环境的注意意识，测试了该模型在驾驶场景中的效果，结果表明该模型能够合理地估计被关注的意识区域，并在视觉显著性、凝视校准和去噪等任务中表现出较好的效果。
Oct, 2021
本研究使用多种特征提取方法和机器学习算法，使用 JAAD 数据集为基础，聚焦于行人运动和头部方向的检测，达到了 72% 和 85% 的准确率，能有效解决自动驾驶和高级驾驶辅助系统中的行人意图和行动识别问题。
Oct, 2018
本文提出了一个新的基于驾驶员目光追踪和车祸注释的视频基准测试集（DADA-2000），涵盖了 54 种不同类型的车祸，可以更全面地预测即将发生的事故。
Apr, 2019
本研究提出了一个新的驾驶员注意力数据集，CoCAtt，通过使用眼动仪设备来捕捉手动和自动驾驶模式下的注意力数据，包含表述驾驶员分心状态和意图的每帧注释。结果表明，将驾驶状态和意图纳入注意力建模中可以提高驾驶员注意力预测的性能，并且 CoCAtt 是目前自主等级、眼动仪分辨率及驾驶情境最多元和最大的驾驶员注意力数据集。
Jul, 2022
提出一种新的驾驶员注意力数据收集协议并介绍了一个新的驾驶员注意力数据集 BDD-A，进一步提出了人工加权采样（HWS）方法来构建驾驶员注意力预测模型，该模型不仅表现出比现有模型更好的性能，而且还是基于常规驾驶过程中的实际数据预测的。
Nov, 2017
利用多头注意力机制生成多模态未来轨迹预测，以最佳地利用静态场景和环境的信息，实现自动驾驶车辆的精准导航，该模型在 nuScenes 预测基准测试中取得了最佳结果。
May, 2020
Attention Flow 是一种能够学习第三人称社交场景视频中共同关注的方法，通过使用显著性增强的注意力图和两种新型卷积注意力机制来确定选择相关特征和改进联合注意力本地化。在 VideoCoAtt 数据集上比较了显著性图和注意力机制的效果，并报告了联合注意力检测和本地化的定量和定性结果。
Jan, 2020
提出了一种联合风险定位和风险解释的研究方向，使用 DRAMA 数据集探索了交互式驾驶场景中的多方面联合风险定位和字幕，其中包括多任务预测架构的基准测试和详细分析。
Sep, 2022