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

该研究探讨了利用人类驾驶产生的数据对自动驾驶系统进行改进的方法，提出了利用基于行动的驾驶数据进行学习表示的模型，该模型在弱注释图像方面表现出色，并且优于纯粹的端到端驾驶模型，同时更具有可解释性。

Aug, 2020

本文提出了一种新颖的端到端架构，该架构接受原始视频输入并输出未来车辆运动轨迹预测，以解决自主驾驶中的邻近车辆运动预测问题。该架构通过多头注意力回归网络和非线性优化提取和跟踪附近车辆的三维位置，然后使用基于注意力的 LSTM 编码器 - 解码器算法对车辆之间的相互依赖关系建模，从而达到了高精度的未来车辆轨迹预测，实验结果表明，该算法优于目前各种先进模型。

Apr, 2023

本文提出了一种基于模块化架构的学车任务分解方法，在障碍感知、目标预测和规划方面均取得了优秀的方法，并在 CARLA 模拟器上实现了最新的优秀结果。

Dec, 2022

本文提出了一种基于高层指令输入的条件性模仿学习方法，使得经过训练的车辆在测试时间内仍然能够遵循导航指令，本文在仿真实验和机器人卡车实验中对各种条件性模仿学习架构进行了评估和实践。

Oct, 2017

本研究采用对象为中心的方法，既能利用对象实例，又可以最大限度地适应新场景，提供了直观的可视化结果，在自主驾驶等机器人任务中，相较于传统方法，更具鲁棒性和性能表现。

Nov, 2018

通过使用多模态基础模型，我们提出了一种方法来增强自主驾驶系统的鲁棒性和适应性，实现了开放环境中的端到端多模态自主驾驶，并能从图像和文本的表示中提供驾驶决策。

Oct, 2023

本项目实现了一个端到端系统，该系统接收来自普通摄像头的视频帧的综合视觉特征和来自点云扫描仪的深度信息，并预测驾驶策略（车辆速度和转向角度）。通过与真实世界经验丰富的驾驶员的标准行为进行比较，我们验证了我们系统的安全性。我们的测试结果表明，在至少一半的测试案例中（取决于模型），预测结果可以被视为准确的，并且与仅使用视频帧相比，使用综合特征在大多数情况下提高了性能。

Jul, 2023

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

通过训练循环神经网络模型的运动策略，结合学习预测代理在移动中对环境的影响，我们成功实现了主动学习视觉识别，并提高了识别性能。

Apr, 2016