该研究通过实施虚拟现实和交通微模拟集成的实验环境，并在典型和多样化的交通场景下进行测试，提出了驾驶员介入行为的新视角，从而改善自动驾驶在类似情景下的表现，并为人与自动化系统之间的信任关系研究提供了有价值的综合与沉浸式工具。

Dec, 2023

本文提出了一个实验框架，通过多学科的方法（计算机视觉和人文社科学）研究自动驾驶汽车乘客的内部活动，包括与驾驶无关的活动，旨在捕捉实时的真实数据并创建数据集，以促进计算机视觉算法的发展和评估。

Jun, 2023

研究了通过非语言图灵测试来评估自动驾驶汽车所提供的人类体验。其中，实验结果表明，与人类驾驶员相比，被测试的 AI 驾驶员提供的人类体验并不尽如人意，并结合 Lewin 的现场理论，进一步探讨了情感过渡如何影响乘客对于与人类驾驶员相似的自动驾驶体验的评估。

Dec, 2022

自动驾驶汽车技术快速发展，对道路交通安全产生了重大影响，同时也解决了多种复杂的交通问题。为了确保自动驾驶汽车之间以及自动驾驶汽车与人类驾驶员之间的合作互动，本研究提出了一个多阶段的方法，采用共享和关怀的车对车通信策略来加强协同行为。通过进行一项调查来验证自动驾驶汽车的驾驶性能，并可用于一个混合交通案例研究，重点研究人类驾驶员如何对待与他们同时驾驶在同一条道路上的自动驾驶汽车。研究结果表明，采用深度强化学习，自动驾驶车辆获得了接近人类驾驶性能的驾驶行为。在自动驾驶汽车网络中采用共享和关怀的车对车通信可以提高其驾驶行为，促进更有效的行动计划，并增进自动驾驶汽车之间的合作行为。调查结果显示，无法保证混合交通中的安全性，因为我们无法控制人类驾驶员出于自我的行为，如果他们决定与自动驾驶汽车竞争。因此，本研究倡导加强对自动驾驶汽车在公共道路上安全融入的研究。

Dec, 2023

利用图像和状态信息，该研究提出了一种全面的自动驾驶监测框架，旨在自动识别自动驾驶车辆与人工驾驶车辆的行为，并在充分考虑数据采集条件不佳的情况下进行测试。

Mar, 2024

未来的自动驾驶车辆依赖于人本主义设计和先进的人工智能能力，本文提出了一个新的框架，利用大型语言模型（LLMs）增强自动驾驶车辆的决策过程，目标是将 LLMs 的自然语言能力和上下文理解、专用工具使用、思维协同和各种模块行为与自动驾驶车辆无缝集成在一起，为自动驾驶技术提供个性化辅助、持续学习和透明决策，从而为更安全、更高效的自动驾驶技术作出贡献。

Sep, 2023

利用大型语言模型（LLM）的 Talk-to-Drive 框架，通过处理人类的口头指令并结合上下文信息做出自主驾驶决策，实现个性化的安全、高效和舒适，成功率达到 100% 的执行命令，并在现实世界的实验中将不同驾驶员的接管率大幅降低至高达 90.1%，是在真实自主驾驶环境中应用 LLM 的首次实例。

Dec, 2023

通过对司机人群行为偏好数据的建模和模拟，我们构建了一个智能辅助驾驶员驾驶干预策略的轻量级仿真环境，并使用该环境来测试不同驾驶员类型的区分能力和干预策略的效果。

Jul, 2022

本文使用模拟平台进行了复杂的交通仿真实验，针对连通与自动驾驶汽车的驾驶行为进行了建模，并分析了多种人为与机制相关的因素对交通网络的影响。

Aug, 2022

自主驾驶车辆和数据驱动交通仿真的评估指标的综述与分析，探讨了自主驾驶车辆的性能验证挑战以及未来研究的方向。

Oct, 2023