自动驾驶系统面临着交通行为不确定性高等问题，本文提出了基于深度卷积神经网络的多轨迹交通演算方法，能够精确地预测交通行为并评估它们的概率，此方法也已成功应用于自动驾驶车辆中。

Sep, 2018

本研究对现有的事故检测技术进行了全面的探索研究，重点介绍了尾部碰撞、侧面碰撞和正面碰撞等不同类型的交通事故，并引入了适用于智慧城市交通监控系统的 I3D-CONVLSTM2D 模型架构，结合 RGB 帧和光流信息进行事故检测。实验分析验证了该方法的有效性，该模型在平均精度（Mean Average Precision，MAP）方面表现优异，达到了 87%。同时，本研究还详细阐述了数据不平衡在有限数据集、道路结构和交通场景方面带来的挑战，最终为基于视觉的事故检测系统在智慧城市基础设施中实时集成到边缘物联网设备提供了路径指引。

Oct, 2023

提出在自动驾驶的过程中采用双演员和规范化评论家 (DARC) 方法进行早期事故预测，该方法基于强化学习模型，可以提高事故预测的精度和提前量，从而显著提高自动驾驶的安全性。

Dec, 2022

自动驾驶技术能够提高交通安全和减少事故，本研究提出了基于短期记忆 (LSTM) 网络的安全敏感深度学习模型来预测轨迹，通过考虑交互信息的意图识别模块，实现高准确性和流畅性的车道变换，并优化自动驾驶轨迹规划。

Feb, 2024

本文提出了一种基于预测的深度强化学习决策模型，考虑了周围车辆的操作意图，并使用真实交通数据进行训练。经过模拟测试，结果表明和基于深度强化学习的模型相比，该模型在复杂的高速公路驾驶场景中提高了决策性能，从而减少了碰撞数量，实现了更安全的驾驶。

Sep, 2022

我们提出了一种基于深度学习的方法来预测自动驾驶车辆周围交通参与者的未来状态，并考虑和捕捉预测任务的固有不确定性，该方法包括当前世界状态和每个参与者的栅格图像作为输入，实验结果表明该方法具有显著优势，并在实际自动驾驶车辆上成功测试。

Aug, 2018

本研究使用 CARLA 模拟器开发了一个合成数据集，并使用卷积神经网络创建了一种端到端的短期轨迹预测模型，使得自动驾驶汽车能够更好地应对复杂情境，如行人穿越马路，车辆超车等，同时免去了对环境的显式编码。

Jul, 2023

本文提出了一种基于深度强化的交通事故预测方法 DRIVE，通过模拟仪表盘观察环境中的视觉注意机制和使用奖励机制改进强化学习算法来提高决策能力，进而实现较高准确性的预测。

Jul, 2021

本文介绍了自动驾驶学科中第一个大规模视频预测模型。通过从网络获取大量数据并与多样且高质量的文本描述配对，我们消除了高成本数据收集的限制并增强了模型的泛化能力。该数据集积累了超过 2000 小时的行驶视频，涵盖了全球各地不同的气候条件和交通场景。我们的模型名为 GenAD，并继承了最近潜变扩散模型的优点，利用新颖的时间推理块处理行驶场景中具有挑战性的动态。我们展示了它可以以零 - shot 方式泛化到各种未见过的行驶数据集，超过了一般或专门针对行车的视频预测模型。此外，GenAD 可以适应动作条件化预测模型或运动规划器，具有在实际行驶应用中巨大潜力。

Mar, 2024

综述了深度学习在自动驾驶车辆行为预测中的应用及其性能，针对输入表征、输出类型和预测方法等三个方面对最近的深度学习解决方案进行分类和审视，并探讨了研究中的差距和潜在的新的研究方向。

Dec, 2019