关于基于视觉的驾驶模型的离线评估
在本研究中，我们通过对 16 种物体检测模型在 CARLA 模拟器上的大量实验，首次实证评估了不同检测指标对驾驶性能的预测能力。我们发现 nuScenes 检测得分与驾驶性能的相关性高于广泛采用的平均精度指标，并呼吁谨慎依赖新兴的以规划为中心的指标类别。
Aug, 2023
该研究探讨了自主驾驶汽车中目标检测算法的可靠性问题，提出一种设计在线指标以准确评估目标检测算法的可信度的方法，并采用现实的图像扰动对各种量化指标进行评估。
Dec, 2021
本文研究了自动驾驶车辆的安全性评估中的预测模型。作者指出，常用的评估方法不足以准确地评估预测模型，应该采用场景评估方法进行评估。通过 Waymo 开放运动数据集的轨迹分类，作者评估了三种不同的预测模型。结果表明，应根据模型所用于的应用程序的要求进行评估。
Oct, 2022
本文探讨了数据生成与验证方式对深度驾驶模型的训练和性能影响，通过在 CARLA 模拟器上的实验结果提出了数据生成和行车路线选择的建议，以实现高效开发 end-to-end 驾驶模型。
Jun, 2022
论文指出，当前轨迹预测模型的评估协议存在瑕疵，忽略了数据集和真实驾驶场景之间的动态差异以及预测模型的计算效率。为此，作者提出了一种基于任务的交互式评估方法，以更准确地反映轨迹预测在自动驾驶中的有效性。
Jun, 2023
研究通过模拟数据进行驾驶员观察模型的训练，并探索将这些模型转移到真实自动驾驶场景中的可行性，结果显示模型的识别质量明显下降，存在模型转移的挑战。
Jul, 2023
研究自主驾驶中的失败情况，并提出了一种基于摄像头驾驶模型的预测方法，可以对给定驾驶模型之间的困难程度进行评估，并及时提醒人类驾驶员，从而提高自动驾驶车辆的安全性和人机协作驾驶的效果。
May, 2018
本论文重新评估了自动驾驶系统在三个主要任务中规划任务的评估方法，并设计了一种基于 MLP 的方法，仅使用原始传感器数据直接输出自车未来轨迹，在 nuScenes 数据集上实现了最先进的端到端规划性能，降低了约 30％的平均 L2 错误。同时，提供了对 nuScenes 数据集成功规划任务的关键因素进行深入分析，并提出了需要重新思考的问题。
May, 2023
本文研究车辆轨迹预测在自动驾驶汽车中的应用，提出一种对抗性场景生成方法来测试最先进的方法对不同城市场景的普适性，并开发了一种基于场景原子生成功能和物理约束的简单有效生成模型，通过修改生成的场景，使现有模型的错误率降低 30-40％。
Dec, 2021