本研究提出了一个基于不确定性的事故预测模型，其中利用图卷积和循环神经网络进行关系特征学习，利用贝叶斯神经网络处理潜在关系表示的本质变异性，并使用新的 CCD 数据集验证了该模型在普通和新编译数据集上的表现优越性。

Aug, 2020

提出在自动驾驶的过程中采用双演员和规范化评论家 (DARC) 方法进行早期事故预测，该方法基于强化学习模型，可以提高事故预测的精度和提前量，从而显著提高自动驾驶的安全性。

Dec, 2022

本研究探讨了可解释的自动驾驶车辆中使用视觉解释的方法，使乘客、保险公司、执法机构和开发人员能够理解神经网络控制模型的行为，该模型采用了视觉关注模型进行训练，并应用因果过滤步骤来确定哪些输入区域实际上影响了输出。该方法在三个数据集上进行了有效性研究，证明了其在自动驾驶行为和人类驾驶行为中的应用价值。

Mar, 2017

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

本文提出了一个新的基于驾驶员目光追踪和车祸注释的视频基准测试集（DADA-2000），涵盖了 54 种不同类型的车祸，可以更全面地预测即将发生的事故。

Apr, 2019

本研究旨在通过借助汽车行车记录仪的单个图像，对驾驶中可能遇到的危险进行预测。为了开展这一不常研究的领域，我们创造了一个名为 DHPR 的数据集，其中包含 15K 个街景图像，每张图像都与车速、假设的危险描述和场景中的可见实体相关联。通过评估基线方法在数据集上的表现，我们发现仍存在问题，并讨论了未来的方向。本研究通过引入新的问题形式和数据集，为驾驶危险预测领域做出了贡献，让研究人员能够探索多模态人工智能在此领域的潜力。

Oct, 2023

通过视觉问答 (VQA) 框架解释自动驾驶的决策，以提高驾驶安全性。

Jul, 2023

本研究提出了一种基于神经网络、视觉的注意力模型和视频 - 文本模型的内向性解释方法，通过控制器和解释模型之间的注意力导图，生成可解释的行驶模型动作的文本描述，并与外向性解释模型的效果进行比较。

Jul, 2018

通过使用注意力模型来提高 CARLA 驾驶模拟器的性能，同时通过模仿学习训练代理人来解释自动驾驶中深度学习无法解释的决策问题。

Jun, 2020

本文提出了 DeepAccident 数据集，据此可以直接评估不同自动驾驶算法的事故预测能力，这个数据集包含了多种真实世界中常见的事故场景，并提供了可用于感知和预测任务的多视角数据，并展示了基于 V2X 的运动和事故预测任务及 3D 物体检测的基准模型 V2XFormer。

Apr, 2023