确保自动驾驶的安全性是汽车行业的主要挑战，特别关注人工智能，尤其是深度神经网络作为高度自动化驾驶实现的关键技术；本研究提出了一个在线安全机制的概念验证，能够检测数据是否遗漏训练领域，并在 Synthia 数据集上实验，显示百分之百正确检测输入数据是否在领域内；检测车辆离开领域的能力可能成为认证的重要要求。

Oct, 2023

本文介绍了一种在预测自动驾驶系统的轨迹时防御对抗性攻击的方法，该方法包括设计有效的对抗训练方法和添加特定领域的数据增强来减少在净数据上的性能损失。作者通过验证表明，相较于只使用纯净数据训练的模型，该方法在对抗数据上性能提高了 46％，并只降低了 3％的净数据性能。此外，相较于现有鲁棒方法，该方法在对抗样本上的性能提高了 21％，在干净数据上的性能提高了 9％。通过对规划器的评估，研究了我们的鲁棒模型对下游影响，证明该模型可以显著减少严重事故率（例如碰撞和越野驾驶）。

Jul, 2022

本文提出了一种新的领域适应的表示学习方法，使用神经网络架构从源域的有标签数据和目标域的无标签数据中推断出训练的特征，该方法增加了标准层和一个新的反向梯度层，可以在文本情感分析、图像分类以及人员重新识别等任务中有效实现领域适应。

May, 2015

本文概述了深度神经网络在自动驾驶中的应用，介绍了无监督领域自适应的多种方法和针对不同方法的现有研究，提出了该领域的最新趋势和未来方向，并鼓励科学家探索更好的神经网络泛化方法。

Apr, 2023

提出一种基于深度学习的方法，将预测、决策和规划模块融合起来，以克服自动驾驶系统中基于规则的方法在真实世界应用中的不足，特别是在城市场景中。所提出的 DNN 模型仅经过 10 小时的人工驾驶数据训练，并且支持市场上所有的批量生产 ADAS 功能。在此论文中，展示了该方法在不对车辆的传感器设置和计算平台进行任何修改的情况下，通过部署到集约的测试车辆上，展示了其可行性、可用性和商业潜力。

May, 2024

介绍了一种轻量、全自动、实时适应的方法，该方法只需要调整神经网络模型的批量归一化参数，能够在 Nvidia Jetson Orin 上以 30 帧每秒的速度实现推断和设备内适应，表现与半监督适应算法相似。

Jun, 2023

本文提出了一种基于领域自适应的行为识别方法，使用对抗学习在跨域场景中学习跨域动作识别，从而实现对低光条件下的人类行为进行识别，并在 InFAR 和 XD145 动作数据集上取得了 SOTA 表现。

Oct, 2022

本文提出了一种基于模块化架构的学车任务分解方法，在障碍感知、目标预测和规划方面均取得了优秀的方法，并在 CARLA 模拟器上实现了最新的优秀结果。

Dec, 2022

利用生成对抗网络通过从白天图像到夜间图像的转换获取人工数据集并训练车辆检测模型以在没有目标域注释数据的情况下提高检测性能。

Jul, 2019

在这项工作中，我们提出了一种汽车传感器丰富的平台和学习算法用于机动预测，该平台使用多个传感器流并联学习以提前预测机动，并提出了一种新颖的训练流程，我们提供了一个包含 1180 英里自然高速公路和城市行驶数据集，在现实时间内可以预测 3.5 秒的机动，精确度和召回率分别为 90.5％和 87.4％。

Jan, 2016