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

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

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

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

利用大规模的众包视频数据，从中学习通用车辆运动模型，并开发了一种端到端可训练的架构，用于从瞬间单目摄像头观察和先前的车辆状态中学习预测未来车辆自我运动的分布。

Dec, 2016

该研究旨在提高自主驾驶的性能和安全性，提出了一种解释性的基于视觉的空时特征学习方案，称为 ST-P3，通过端到端方式同时实现感知、预测和规划任务，并在开放循环 nuScenes 数据集和闭环 CARLA 仿真上验证了其优越性。

Jul, 2022

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

本文提出了一个深度神经网络方法，使事件摄像头在车辆转向角度预测等困难运动估计任务上发挥潜力，并展示了从传统到基于事件的视觉进行传递学习的优势和优于基于标准摄像头的最先进算法的表现。

Apr, 2018

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