本文提出了一种基于高层指令输入的条件性模仿学习方法，使得经过训练的车辆在测试时间内仍然能够遵循导航指令，本文在仿真实验和机器人卡车实验中对各种条件性模仿学习架构进行了评估和实践。

Oct, 2017

该研究提出了一种基于直接感知的自主驾驶方法，在城市环境中能够根据高级方向输入进行自主导航，同时能够识别交通信号灯和速度标志，降低车辆事故率。

Jun, 2018

使用基于模型的模仿学习方法来提高自主驾驶的动作规划，该方法利用 3D 几何形状作为归纳偏差并从专家演示高分辨率视频中直接学习高度紧凑的潜在空间。该模型被训练于城市驾驶数据的离线语料库中，是首个在城市驾驶环境中只使用相机模拟出静态场景、动态场景和自我行为的模型。

Oct, 2022

本研究提出了基于分离式概率潜变量模型来生成方向盘操控命令的新方法，以实现对自动驾驶汽车进行高层次控制的目的，并扩展了模型以训练对异常方向盘操控命令具有弹性的控制器，达到了在可靠性和可解释性方面均优于当今最先进的技术水平的目的。

Sep, 2019

本文提出了一种基于多任务学习和注意力模型的新型自动驾驶条件模仿学习网络，通过解决交通灯反应问题，不仅提高了标准基准测试的成功率，而且具备了响应交通信号的能力。

Apr, 2021

本文研究应用 Imitation Learning 和 transfer learning 方法解决 Duckietown 场景下的机器人车道跟踪问题，并通过 sim-to-real 方法进行实际环境迁移，最终比较了三种 Imitation Learning 方法和两种 sim-to-real 方法的优缺点。

Jun, 2022

本文介绍了一种称为学习者感知的监督式模仿学习模型，用于解决多智能体模仿学习中的协变量转移问题，通过利用变分自动编码器同时建模专家和学习者状态分布，在城市交通仿真中应用，展示了在真实数据集 pNEUMA 上在短期微观和长期宏观仿真中相较于现有 baselines 的显著改进。

Mar, 2024

通过将激光扫描仪和常规相机流在特征级别上融合，以克服泛化和一致性挑战，并引入新的高效实用的栅格占据映射方法及其相关算法，从而动态检测道路的不同障碍，并通过指南针指引可控车辆到另一条路线上以到达目的地。该方法在 CARLA 模拟器城市驾驶基准测试中得到了证明，具有显著效果提升。

Nov, 2022

本文介绍了一种分层的模仿学习方法，包括一个高层次基于网格的行为规划器和一个低层次的轨迹规划器来增强神经网络的可靠性和稳定性。该方法可以被嵌入到基于规则的架构中，且在封闭回路仿真和实际驾驶测试中表现卓越，特别适用于复杂的城市自动驾驶场景。

Mar, 2023

我们提出了一种使用低成本传感器进行敏捷越野自主驾驶的端到端模仿学习系统，通过模仿配备高级传感器的模型预测控制器，我们训练了一个深度神经网络控制策略，将原始的高维观测映射到连续的转向和油门命令，这个方法不需要状态估计或实时规划来导航车辆，并通过在线模仿学习克服了协变量漂移方面的挑战，实现了成功的高速越野行驶，匹配了最新的性能水平。

Sep, 2017