通过基于模型的方法，从预先记录的驾驶日志中学习交互式基于视觉的驾驶策略，我们假设世界处于轨道上，将动力学分解为非反应性世界模型和低维度紧凑前向车辆模型，通过编程计算贝尔曼方程的动作值，控制最终的视觉驾驶策略。

May, 2021

通过随机化基于交互的社交车辆的奖励函数，本研究引入了一种高效的方法来训练多样化的社交车辆驾驶策略作为单一的元策略，并提出了一种训练策略来增强自车驾驶策略的鲁棒性。该方法成功地学习到了在具有挑战性的未控制 T 字形交叉口情景中，对具有分布之外行为的社交车辆场景具有很好泛化性的自车驾驶策略。

Jul, 2023

本文提出了一种基于视觉的自主行驶系统的训练方法，通过两个阶段的训练，先使用有特权的信息训练代理，再使用纯视觉信息训练传感器驱动代理，最终取得了在 CARLA 基准和 NoCrash 基准测试中的优异成绩。

Dec, 2019

本研究旨在通过模仿学习训练一个自动驾驶策略，以使其足够强大以驾驶真实汽车。为了应对复杂的驾驶场景，我们建议在专家的驾驶基础上引入扰动来合成数据，并使用额外的损失函数强化模型。实验证明这种模型能够在模拟环境中适应复杂的驾驶场景，并能够在真实环境下驾驶汽车。

Dec, 2018

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

本研究探讨了在高密度交通条件下，通过应用模仿学习算法，对未来自动驾驶车辆实现控制策略和现实限制的协调，以提高网络能效，结果显示该算法能通过仅使用本地观测数据，提高交通网络能效达 15%。

Jun, 2022

本论文基于强化学习（RL）与 Deep Q-Learning 框架以及 CARLA 仿真环境，探索了一种实现自动驾驶车辆在高速行驶时保持车道并避让其他车辆的策略，以提高交通安全性。

Jun, 2023

利用图像和状态信息，该研究提出了一种全面的自动驾驶监测框架，旨在自动识别自动驾驶车辆与人工驾驶车辆的行为，并在充分考虑数据采集条件不佳的情况下进行测试。

Mar, 2024

利用大规模的众包视频数据，从中学习通用车辆运动模型，并开发了一种端到端可训练的架构，用于从瞬间单目摄像头观察和先前的车辆状态中学习预测未来车辆自我运动的分布。

Dec, 2016

提出了一个名为 Learning by Watching (LbW) 的框架，通过间接观察周围车辆的演示来增加驾驶策略的数据量和新颖性，从而实现更加鲁棒的驾驶，快速适应新场景，并且只需要 10 分钟的数据即可达到 82% 的成功率。

Jun, 2021