使用两个深度神经网络、单一前置摄像头作为图像输入，本研究提出了一种自主驾驶中的深度学习双模型解决方案，通过应用 NVIDIA 的 PilotNet 模型预测方向盘转角来实现转向控制，而制动控制则依赖于 MobileNet SSD 模型。通过对 PilotNet 模型进行改进，减少模型参数和内存占用约 60%，降低推断延迟，使其适用于资源受限的设备。经过模拟环境评估，使用改进的 PilotNet 模型和原始 PilotNet 模型进行驾驶的自主驾驶系统表现出类似的性能水平。

May, 2024

使用卷积神经网络实现端到端的无人驾驶系统，自动学习所需处理步骤的内部表示，以及如何检测车道等相关功能优化，最终将导致更好的表现和更小的系统

Apr, 2016

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

本研究提出基于深度神经网络的端到端学习自动驾驶系统 SuperDriver AI，该系统学习来自经验丰富的人类驾驶员的驾驶行为和政策，采取驾驶操作并确保路面安全。实验结果表明，该系统在真实行驶场景下运行良好。

May, 2023

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

本文提出了一种新颖的深度神经网络模型，利用图像转向路径导航，并加入一次性学习来处理数据问题，可以在只展示一次路径并且无需重新训练模型的情况下自主驾驶车辆。与其他候选架构比较后，通过车内和离线测试来验证了该模型的性能。

Jun, 2023

本文介绍了 DeepTest，一个系统的测试工具，可以自动侦测潜在的导致致命碰撞的深度学习驱动车辆的错误行为，通过生成最大化激活神经元数量的测试输入，并利用现实世界变化的驾驶条件（例如雨、雾、照明条件等）来自动生成测试用例，能够发现许多在 Udacity 自动驾驶汽车挑战赛中，三个表现最佳的深度学习神经网络车中，具有潜在致命意外的错误行为。

Aug, 2017

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

探讨使用深度学习技术中的 Transfer Learning，3D CNN，LSTM 和 ResNet 来预测自动驾驶车辆的方向盘转角，并在 Udacity 挑战赛中达到前十名。

Dec, 2019