本研究探讨了通过学习密度分布来计算无人系统前向可达状态的数据驱动方法，在结合模型预测控制的基础上，有效地应对系统的不确定性来进行可验证的安全路径规划。通过在自动驾驶和气垫船控制方面进行两个有挑战性的场景，证明了该方法在处理不确定性和复杂动态的系统中的优异性能。

Sep, 2022

本文介绍了一种用于交通场景风险评估的方法，主要关注可视性受限的路口场景。通过使用局部动态地图进行光线投射以获得视野区域，识别存在潜在风险的场景实体并进行碰撞风险评估，得出用于评估驾驶人行为的风险指标，并通过实际场景验证其有效性。

Mar, 2023

利用连通车辆数据中的车速和加速度等信息，运用高斯过程提升和极端梯度提升机器学习模型等方法，在实时中预测飓风疏散期间可能出现的交通事故风险，可帮助交通管理人员有效利用资源以主动采取安全措施。

Jun, 2023

本研究提出了基于动态贝叶斯网络的概率性交通预测模型，结合马尔科夫模型和上下文感知的车辆运动模型，可以更精准地预测未来的交通路径和解决交互问题。相较于基于物理学和地图的方法，该模型表现更加优越。

Apr, 2018

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

本文提出了一种概率框架，能够在任何驾驶场景下联合预测多个交通参与者的连续运动，并能够预测每个交互的持续时间，以提高预测性能和效率。该框架包含两个层次模块：上层模块预测预测车辆的意图，下层模块预测与其交互的场景中其他实体的运动，为自主车辆的决策制定和运动规划提供支持。

Oct, 2018

通过高分辨率车辆轨迹数据，该研究聚焦于车辆群体作为分析主体，探索了车辆群体和道路段特征对风险形成和传播机制的影响，并确定了多个影响事故风险的关键因素。研究开发了多项式逻辑回归模型对空间风险传播模式进行分析，结果显示高风险状态持续时间、车辆群体规模增加和频繁的变道与不利的风险传播模式相关联。此外，该研究对不同类型的分类器、预测时间间隔和自适应 TTC 阈值进行了敏感性分析，并获得了超过 0.93 的最高 AUC 值，为研究人员和实践者在理解和预测车辆群体安全方面提供了有价值的见解，进而改进车联网和自动驾驶车辆的交通安全管理和运营。

Feb, 2024

本文通过定性和定量分析对比了三种不同的基于模型的风险测量方法，其中基于稀有临界事件和所谓的生存条件的风险测量具有更早的碰撞检测时间，在近碰事故和非碰撞情况下具有较低的误报率，并可作为 TTCE 和高斯方法的泛化，适用于 ADAS 和 AD 的验证。

Mar, 2023

在交通研究领域，解决路口行人安全问题是一项重要的任务。本文通过发展实时主动保护系统，利用计算机视觉技术和预测模型，以基于预测的行人潜在风险评估为核心，解决了当前实时行人风险评估研究面临的三个主要挑战，提出了一种新的安全衡量标准，Predicted Post-Encroachment Time (P-PET)，并将行人划分为不同类别以应用特定评估准则，改进了风险评估的效果和可靠性。

Apr, 2024

提出一种基于预测的冲突识别方法，使用递归神经网络进行车辆轨迹预测，并利用 CitySim 数据集训练模型以预测车辆未来路径和头部位置，从而更准确地维护车辆几何表示。实验发现，该方法在交叉口冲突分析中表现优于常用的轨迹预测模型和车辆几何表示方法。

Oct, 2022