通过建立空间语义场景图和使用图神经网络来探讨 Traffic participants 之间的关系对于预测自动驾驶中的加速度和减速度等相关参数具有重要作用。这种建模方式不仅可以提高预测结果，也可以通过包含先前场景的附加信息提高预测性能。

Nov, 2022

本文提出了一种利用深度学习的基于模仿学习的概率驾驶模型，可以综合利用摄像机，激光雷达和雷达的信息来应对各种环境条件和动态障碍物，具有优异的泛化性能。

May, 2020

本论文提出一种文本条件化的关系网络模型，通过跨模态的注意力机制动态计算参数以捕获实体之间的精细空间关系，从而实现对文本中空间参照的理解，具有可解释性和鲁棒性，在三个任务中实现了 17% 和 15% 的表现改进，从而解决了在自主导航和机器人控制中学习空间概念表示的关键挑战。

May, 2020

通过扩展端到端驾驶网络、定义新颖的可变网络，将深度学习应用于自动驾驶领域，使自动驾驶汽车在没有 GPS 数据的情况下能够执行点对点导航和概率定位，同时给出了汽车可能采取行动的完整概率分布，并能够在观察到的视觉道路拓扑图和地图之间建立的对应关系基础上，进行粗略姿势定位。

Nov, 2018

提出了利用空间导航环境和行为之间的依赖关系进行路径预测的可解释框架，利用 Clairvoyant Attentive Recurrent Network（CAR-Net）解决路径预测任务，并成功地应用于 Formula One 赛道、Stanford Drone 数据集等多个数据集上，并具有良好的泛化能力。

Nov, 2017

本文提出了一种基于模块化架构的学车任务分解方法，在障碍感知、目标预测和规划方面均取得了优秀的方法，并在 CARLA 模拟器上实现了最新的优秀结果。

Dec, 2022

本文提出了一种基于图卷积网络的互动感知约束优化方法，通过同时训练运动预测和控制模块并共享一个包含社交上下文的潜在表示来鼓励安全驾驶和预测运动。实验结果表明，这种方法在 CARLA 城市驾驶模拟器上具有比基线更好的导航策略和运动预测性能。

Jun, 2022

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

在视觉遮挡下的感知和规划对于安全关键任务至关重要，本论文设计了一种端到端网络，通过相对位姿估计在有遮挡的情况下合作估计遮挡行人的当前状态，并具有安全保证的轨迹预测，实验证明在遮挡下，由本体代理进行的遮挡行人不确定性感知轨迹预测与没有遮挡的真实轨迹几乎相似，该研究为多个连接代理在遮挡下进行不确定性感知导航提供了希望。

Dec, 2023

本文介绍了一种利用时间和全局信息的端到端驾驶框架 ——ReasonNet，其能够有效预测自动驾驶车辆在城市繁忙交通情景下的行驶逻辑，并排名领先于 CARLA 排行榜。

May, 2023