本研究提出了一种基于可观察信号的驾驶员接管准备度的数据驱动方法，使用自动驾驶汽车上的空间视觉感知器，通过主体评级建立驾驶员接管准备度的可观测度指标（ORI），并借助 LSTM 模型连续估计驾驶员的 ORI。

Nov, 2018

本文介绍了基于多个摄像头视角的手部和眼部位置信息学习驾驶员状态以实现流畅自动转手动驾驶控制转换的模型，并提出了评估转换质量的指标，即最大横向偏差和速度偏差以及其与预测指标的相关性。

Jan, 2023

通过对 23 辆特斯拉 Model S/X，2 辆沃尔沃 S90，2 辆路虎 Evoque 和 2 辆凯迪拉克 CT6 车辆装载数据采集硬件进行长期和中期的数据采集，结合 IMU，GPS，CAN 信息和高清视频流分析，探索人类与自动驾驶技术相互作用的全景认识，提取其中可行的研究方式和深度学习的算法，最终为开发自动驾驶做出贡献。

Nov, 2017

本文提出一个新的综合数据集，重点集中在超车操作上，同时回顾了自主驾驶技术的现状以及现有数据集的局限性并提出了一组新的特征集。

May, 2023

通过使用车内和外部摄像头数据，本研究提出了一种新的方法来改善对未来驾驶动作的预测性能，通过明确提取外部摄像头数据中的对象和道路级特征，我们的模型能够更准确地提前预测驾驶员意图，并提高道路安全性。

Dec, 2023

本文介绍了 DeepTest，一个系统的测试工具，可以自动侦测潜在的导致致命碰撞的深度学习驱动车辆的错误行为，通过生成最大化激活神经元数量的测试输入，并利用现实世界变化的驾驶条件（例如雨、雾、照明条件等）来自动生成测试用例，能够发现许多在 Udacity 自动驾驶汽车挑战赛中，三个表现最佳的深度学习神经网络车中，具有潜在致命意外的错误行为。

Aug, 2017

个性化驾驶辅助系统的在线进化能力是确保用户偏好匹配必不可少的。本文提出了一种以驾驶员接管干预为基础的课程学习方法，通过利用在线的接管数据生成驾驶区域，采用高斯判别分析确保被感知的安全性，通过学徒学习实时对轨迹规划回报进行纠正，利用模型预测控制以在驾驶区域约束下优化回报目标，该方法具有更快的进化能力、经验累积的熟练度、被感知的安全性保证和较低的计算复杂性，仿真结果表明所提系统始终能成功自定义轨迹规划而无需进一步接管干预，累积经验可以使进化效率提高 24％，平均学习迭代次数仅为 13.8 次，平均计算时间为 0.08 秒。

May, 2024

本文研究了一种在自主驾驶和辅助驾驶中用于碰撞风险评估的预测方法，利用深度预测模型从传统视频流中预测即将到来的事故，并在决策制定过程中引入了时间信息、多模态信息以及任务固有的不确定性。通过使用基于贝叶斯卷积 LSTM 的深度预测模型，实验表明当多个摄像头作为输入源时，该方法能够较为准确地预测即将发生的事故。

Nov, 2017

本研究提出基于深度神经网络的端到端学习自动驾驶系统 SuperDriver AI，该系统学习来自经验丰富的人类驾驶员的驾驶行为和政策，采取驾驶操作并确保路面安全。实验结果表明，该系统在真实行驶场景下运行良好。

May, 2023

自动驾驶系统面临着交通行为不确定性高等问题，本文提出了基于深度卷积神经网络的多轨迹交通演算方法，能够精确地预测交通行为并评估它们的概率，此方法也已成功应用于自动驾驶车辆中。

Sep, 2018