本研究提出了一种基于可观察信号的驾驶员接管准备度的数据驱动方法，使用自动驾驶汽车上的空间视觉感知器，通过主体评级建立驾驶员接管准备度的可观测度指标（ORI），并借助LSTM模型连续估计驾驶员的ORI。

Nov, 2018

本论文综述了使用机器学习的端到端方法对全自动驾驶进行的实验和研究，讨论了输入和输出模态、神经网络架构和评估方案，着重关注了可解释性和安全性这两方面的挑战，并提出了一种将端到端自动驾驶系统中最有前途的元素结合在一起的架构。

Mar, 2020

DeepTake使用深度神经网络预测司机在自动驾驶状态下的控制接管意向、时间和质量，并在96％，93％和83％的准确度下表现出可靠性，结果表明DeepTake在预测司机接管时间和质量方面优于以往的方法，这对驾驶员监控和状态检测的算法开发具有重要意义。

Dec, 2020

数据驱动模型在自主系统中扮演着重要的角色，但存在不确定性的挑战。本文提出并评估了四种处理不确定性的架构模式，并考虑了不同情境下的风险，以提高性能。

Jun, 2022

该研究提出了使用主动推理的一种新型车辆跟随建模方法，该方法具有与数据驱动的模型相当的行为灵活性，同时保持可解释性。通过基准分析，该模型被证明可以显着地预测驾驶控制，并表明需要进一步研究以建立行驶风格并利用更多样化的数据集进行模型训练。

Mar, 2023

本研究使用 CARLA 模拟器开发了一个合成数据集，并使用卷积神经网络创建了一种端到端的短期轨迹预测模型，使得自动驾驶汽车能够更好地应对复杂情境，如行人穿越马路，车辆超车等，同时免去了对环境的显式编码。

Jul, 2023

综述了近期基于机器学习的技术，包括但不限于目标检测、轨迹预测与强化学习，以及对其进行分类和研究趋势，同时指出了该领域的挑战和未来研究方向。

Aug, 2023

通过使用车内和外部摄像头数据，本研究提出了一种新的方法来改善对未来驾驶动作的预测性能，通过明确提取外部摄像头数据中的对象和道路级特征，我们的模型能够更准确地提前预测驾驶员意图，并提高道路安全性。

Dec, 2023

通过组合头部姿势特征和眼动数据，该研究综合分析了驾驶员准备就绪评估的有效性，采用机器学习技术和双向LSTM架构模拟了驾驶员准备就绪状态，实现了在DMD数据集上的优异评估性能。

Jan, 2024

本研究针对条件自动驾驶中驾驶员在接管请求后的时间预算问题，提出了一种综合的数学模型来估算此时间预算。通过分析不同情境和变量下的固定与可变时间预算，研究发现7秒的时间预算适合大多数情况，提高了接管操作的安全性，同时提示在预算中考虑视觉辅助信息的时间需求。

Aug, 2024