本文研究了自动驾驶车辆的安全性评估中的预测模型。作者指出，常用的评估方法不足以准确地评估预测模型，应该采用场景评估方法进行评估。通过 Waymo 开放运动数据集的轨迹分类，作者评估了三种不同的预测模型。结果表明，应根据模型所用于的应用程序的要求进行评估。

Oct, 2022

使用现代化驾驶模拟器，提出检测和生成测试方案的有效机制，通过量化方案复杂度的度量标准来定义基于避免事故的复杂度度量标准，并对未来的自动驾驶车辆进行改进提供了洞见。

Mar, 2021

确保自动驾驶车辆在道路上的安全性，模拟测试已成为道路测试的重要补充，其中对于验证 AV 行为是否与预期结果一致的需求与日俱增。本研究提出一种验证模拟时间序列故障与真实世界时间序列传感器数据一致性的方法，通过从真实世界时间序列数据集中检索故障场景实例，并定义了匹配的形式。实验证明了算法在具有挑战性和不常见的时间序列场景上的精确性和可扩展性，并提供了可在各种 CPS 中使用的查询算法的完整系统实现。

Jun, 2024

本文提出了一种基于形式化方法的智能汽车自动场景测试的新方法，结合仿真和实际测试，并通过实验验证形式化仿真可以有效识别可在跑道上运行的测试用例，仿真和真实世界之间的差距可以得到系统评估和弥合。

Mar, 2020

研究实施了一种模拟测试框架来评估自动驾驶汽车系统的性能，并采用自适应重要性抽样方法加速稀有事件概率评估，评估了 Comma AI 的 OpenPilot，对自主车辆技术的测试和验证提出了新的方法。

Dec, 2019

该研究旨在利用深度强化学习来创建人类行为类似的背景车辆，从而评估自动驾驶汽车的智能表现，并提出了一个包括安全、驾驶效率和交互效用的框架，用于评价和量化三个系统的智能绩效。

Jun, 2023

开发了一种模拟框架，使用深度学习感知和控制算法来测试现代自动驾驶系统，通过自适应重要性采样方法来估计基于标准交通行为的意外概率，相对于蒙特卡洛抽样，可以提速 2-20 倍，并且比真实道路测试快 10-300 倍（P 为处理器数量）。

Oct, 2018

本文使用模拟平台进行了复杂的交通仿真实验，针对连通与自动驾驶汽车的驾驶行为进行了建模，并分析了多种人为与机制相关的因素对交通网络的影响。

Aug, 2022

利用自然语言生成场景程序的 AI 系统 ScenarioNL，通过 Scenic 概率编程语言，能够清晰而简洁地表示关于 CPS 行为、属性和相互作用的不确定性和变化，并能生成语法正确和语义有意义的代码，基于加利福尼亚州过去五年的公开可用的自动驾驶车辆事故报告进行了系统评估。

May, 2024

本文提出了一种新的概率编程语言，用于设计和分析感知系统，特别是基于机器学习的系统，在处理罕见事件、测试性能和调试故障方面能够发挥作用；我们将其称为 Scenic，并将其应用于自动驾驶汽车和机器人等系统中，以描述场景。

Sep, 2018