通过使用封建学习的新方法，我们构建了一个由工人代理、中层经理和高层经理组成的层次结构，其中，高层经理使用自我监督的方式学习了一个内在空间的记忆代理图，中层经理经由一种新的代理网络进行训练，以模仿人类在局部导航过程中选择中间目标的行为，从而实现了接近最强系统的表现，并提供了一种新的、无强化学习、无图表、无测距法、无度量图的图像目标导航方法。

Feb, 2024

介绍了一种新的分层强化学习方法，即 FeUdal Networks，该方法采用 “管理者 - 工作者” 框架，在不同的时间分辨率上进行端到端的学习，以完成由管理者设定的抽象目标，并且旨在解决长时间跨度的信用分配问题，并在 ATARI 和 DeepMind Lab 中的任务上取得显著优势。

Mar, 2017

我们探索了使用分层强化学习（HRL）来预测时间序列的任务。结合深度学习和分层强化学习的方法，我们开发了一个股票智能体来预测历史股价数据的时间序列，以及一个车辆智能体来预测第一人称车载摄像头图像中的转向角。我们在两个领域的结果表明，称为封建式强化学习的一种 HRL 方法，在训练速度、稳定性和预测准确性方面都有显著的改进。其中的关键因素是多分辨率结构，将时间和空间抽象引入了网络层次结构。

Oct, 2023

本文提出了一种基于置信度的联邦蒸馏方法，使用熵确定每个本地模型的预测置信度，选择最有信心的本地模型作为教师，以引导全局模型的学习，从而提高自动驾驶中基于视觉的车道中心控制的性能，优于现有的联邦学习算法 FedAvg 和 FedDF。

Jun, 2023

本文研究利用低成本车载摄像头进行自主驾驶算法，并通过深度神经网络将原始输入图像直接映射到方向盘角度的视觉模型，提出了一种结合空间和时间线索的模型，有助于解释学习到的模型，通过分析人类驾驶数据，比较了此模型与其他自主驾驶车辆状态先进模型的性能差异。

Aug, 2017

使用封建式的强化学习方法，通过分层的图表示来控制具有不同结构的物理代理，并在基准环境中证明框架的概念及其在标准基准和零点转移学习设置方面的良好结果。

Apr, 2023

该研究提出了一种基于 C-LSTM 的全面可训练的人工神经网络模型，用于根据前置摄像头数据流和关联的车辆转向角度学习驾驶的视觉和动态时间依赖关系。同时，将转向角度回归问题作为分类问题，并在输出层神经元之间施加一定的空间关系，从而通过学习编码转向角度的正弦函数的方法来进行转向预测，该方法在公开数据集 Comma.ai 上验证，相较于现有方法，平均根均方误差提升了 35％，转向更为稳定。

Oct, 2017

本文利用异构辅助网络特征模仿的新型有效训练方法，通过从更丰富的上下文中学习，提高了预测的准确性和鲁棒性，并在 Udacity 和 Comma.ai 上实现了 12.8% 和 52.1% 的超越，同时在 Berkeley Deep Drive (BDD) 数据集上也取得了鼓舞人心的结果。

Nov, 2018

探讨使用深度学习技术中的 Transfer Learning，3D CNN，LSTM 和 ResNet 来预测自动驾驶车辆的方向盘转角，并在 Udacity 挑战赛中达到前十名。

Dec, 2019

在自动驾驶领域，使用卷积神经网络（CNN）进行端到端的方向控制任务已经取得了成功。但是单一任务学习方向控制并不足以进行车辆控制，因此本文提出了一种多任务学习的框架，通过预测视觉输入和上一时刻的速度反馈来同时预测方向控制和速度控制。通过实验，证明了该模型能够准确地预测方向角和速度值。此外，本文还改进了故障数据合成方法，以解决在真实道路测试中出现的错误积累问题。

Jan, 2018