本文介绍了一个基于不确定性感知的集成预测和规划框架，在考虑人的礼貌及预测不确定性的同时生成安全有效的 AV 行为。研究表明，该算法可以明显提高生成行为的人类感，同时还发现人类驾驶员在道路上表现出很大的礼貌，即使对于没有优先权的其他人行驶者，而且这种驾驶偏好在不同文化中存在显著差异。

Oct, 2020

提出了一种基于社交控制的行为生成模型，能够在交通场景中从真实数据中学习驾驶行为，生成具有不同社交特征的行驶轨迹，并根据输入的礼貌值进行控制，使用 Waymo Open Motion 数据集对模型进行了验证，证明其可以生成具有真实感的驾驶行为，并发现出不同场景下不同礼貌事件模式。

Mar, 2023

本研究测试了用户对自动驾驶汽车采用何种驾驶风格的偏好，并发现用户倾向于更为保守的驾驶风格。研究结果表明，用户对于所处的具体驾驶情境有不同的偏好，为学习个性化驾驶风格提供了新的契机。

Feb, 2018

探讨自动驾驶汽车的出现如何增加网络吞吐量，激励用户选择更优路径以便缓解拥堵，讨论自私均衡和互惠均衡之间的比较，并通过交通微观模拟实现了总延迟减少的目标。

Oct, 2018

自动驾驶车辆在道路上要做出道德决策是个难题，虽然参与研究的用户表示支持牺牲乘客保护其他人的车辆，但他们在自己乘坐时更倾向于保护自己。因此，规定强制使用利他主义算法的车辆可能会推迟更安全技术的推广从而增加事故发生率。

Oct, 2015

本研究提出了一种基于社会感知方案的自主驾驶决策模块，在该模块中，利用所有可用信息并恰当地处理不确定性问题，将社会感知的更新信念明确地纳入了基于 MPC 的概率规划框架中，以此实现了防御但不过于保守且社会兼容的驾驶策略。

May, 2019

本文提出了一种最小干预的安全控制器，通过使用到达性分析构建实时控制器，实现单车道场景中无碰撞互动的自动驾驶汽车交通合作，并验证其有效性及安全性。

Dec, 2018

自主车辆在交通中需要与人类驾驶员互动来完成任务，因此装备自主车辆具备人工推理以更好地理解周围交通的意图，从而促进任务完成。本文提出了一种行为模型，将驾驶员的互动意图编码为潜在的社会心理参数，并设计了基于贝叶斯滤波器的递进视界优化控制器以考虑互动驾驶员意图的不确定性，同时采用基于注意机制的神经网络架构来模仿行为模型和在线估计参数先验，并提出决策树搜索算法在线解决决策问题。本文对所提出的行为模型进行了真实世界轨迹预测能力的评估，并在模拟环境和真实世界交通数据集中进行了强制公路合并场景的决策模块的广泛评估，结果表明我们的算法能够在各种交通条件下完成强制合并任务并确保驾驶安全。

Oct, 2023

我们提出了可编辑行为生成（EBG）模型，这是一种数据驱动的车辆跟随模型，允许调整驾驶不礼貌水平，该模型整合了多种礼貌计算方法，通过 LSTM 和 Transformer 架构提供了全面的方法来捕捉细微的驾驶动力学。该模型是第一个可以动态调整不礼貌水平的数据驱动车辆跟随模型，为考虑驾驶员社交偏好的 ACC 系统开发提供了有价值的见解。

Jun, 2024

通过包含社会行为和驾驶员个人目标的行为模型，利用贝叶斯滤波和对于不明确意图的附近车辆行为的预测，开发了一种基于滑动时域控制的决策策略，以在线估计其他驾驶员的意图。通过与博弈论控制器和真实世界交通数据集的模拟研究进行比较，验证了所提出的决策策略的有效性。

Sep, 2023