本研究针对自主车辆计划模块中模仿学习（IL）规划器的样本效率和泛化能力低的问题，提出了基于样条系数参数化和离线专家查询的 IL 模型来提高安全性和训练效率，并通过生成关键场景和使用 DRF 进行连续训练，证明其在资源利用效率上的优越性。

Oct, 2022

本文提出了一种最小干预的安全控制器，通过使用到达性分析构建实时控制器，实现单车道场景中无碰撞互动的自动驾驶汽车交通合作，并验证其有效性及安全性。

Dec, 2018

该研究旨在给自动驾驶车增加两个参数，即安全性保证的标准化和系统的可扩展性，提出了一种名为 RSS 的白盒、可解释、数学模型来确保安全性，并描述了一个符合我们安全保证要求且可扩展到数百万辆汽车的系统设计。

Aug, 2017

自动驾驶中，借助结构化场景信息的安全感知结构化场景表示（FUSION）方法的引入为学习自适应的端到端驾驶策略提供了创新方法。通过构建基于因果关系的奖励、成本、状态和行动空间分解的框架，FUSION 在动态交通环境下进行结构化顺序推理，实现了安全成本和效用回报之间的良好平衡，提高了自动驾驶代理在多样的驾驶场景中的安全性和普适性。

Oct, 2023

本研究提出了一种基于社会感知方案的自主驾驶决策模块，在该模块中，利用所有可用信息并恰当地处理不确定性问题，将社会感知的更新信念明确地纳入了基于 MPC 的概率规划框架中，以此实现了防御但不过于保守且社会兼容的驾驶策略。

May, 2019

控制屏障函数嵌入强化学习策略中，使用概率控制屏障函数作为模型不确定性的估计，实现了安全而高效的自动驾驶算法，可以应用于高速公路匝道合并问题。

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

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

该研究探索了基于案例推理（CBR）作为推断范式的合理性，以选择个性化的撞车回避动作和缓冲时间，旨在提供个性化的驾驶辅助，避免交通事故。提出了一个高效的 FFMTE 模型来建模交通事件和构建案例数据库，并提出了一种特定的 CBR 方法来检索、重复使用和修订现有案例以生成辅助信息。在 100 辆汽车自然行驶研究数据集的例子中建立和测试了该框架；实验结果表明，在不同情境下为司机提供有价值的避难信息。

Nov, 2022

探索利用深度强化学习（RL）进行端到端控制的无人驾驶车辆在自主 FS 赛车比赛中的应用，并展示了该方法在模拟环境和实际赛道上的成功应用。

Aug, 2023