本篇研究提出一种基于风险意识的智能路口系统，利用基于多智能体概率有约束随机最短路径问题和整数线性规划的方法解决了路口自动驾驶和人类驾驶的协调问题，并通过CARLA模拟器验证之后得出该方案可以提高决策效率高达200％，同时可以适应可调整的风险阈值。

Oct, 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

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

本篇论文提出了一种自动驾驶的决策方法，采用了POMDP和Monte Carlo tree search等方法对车辆在道路上的交互进行建模和规划，实现了高质量的行驶决策。

Mar, 2023

该论文提出了一种学习连接和自动化车辆(CAV) 与进入匝道的人驾驶车辆(HDV) 进行安全控制的方法，使用高度信息状态模型，学习了混合交通情况下 HDV 的行为，并生成安全控制策略，然后在 CAV 与 HDV 交互的模拟场景中进行了验证。

Apr, 2023

本文提出了一种基于Transformer模型的轨迹预测方法，用于处理长度大于一帧的观测段，通过在大规模数据集上的测试表明其可以有效提高自动驾驶汽车在高速公路合流等场景下的安全性、舒适性和效率。

Jun, 2023

自主车辆安全验证的挑战在于不同于训练数据的安全关键情况，通过基于仿真场景测试扩展道路和交通条件的涵盖范围以及包含边界情况，可以改善自主车辆的安全性。我们的方法基于历史交通数据，允许工程师生成新颖、逼真的边界情况，并解释为什么这些情况是安全关键的。我们引入了概率车道图(PLGs)来描述有限的车道位置和方向，PLGs的结构是直接从时空交通数据中学习的。这个图模型通过以概率策略的形式，表示驾驶员对给定状态的响应行为，我们使用强化学习技术修改这个策略，生成逼真且可解释的边界情况，用于评估自主车辆的安全性。

Aug, 2023

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

本研究介绍了一种解决自主加入匝道的问题的新方法，其中自动驾驶车辆需要无缝地融入多车道高速公路上的车流。我们引入了Lane-keeping，Lane-changing with Latent-state Inference和Safety Controller (L3IS)代理，旨在在没有关于周围车辆意图或驾驶风格的全面知识的情况下安全地执行匝道合流任务。我们还介绍了这种代理的增强型称为AL3IS，它考虑了观测延迟，允许代理在具有车辆间通信延迟的真实环境中做出更稳健的决策。通过对环境的隐含状态进行建模，如其他驾驶员的意图，我们的方法增强了代理适应动态交通状况、优化合流动作并确保与其他车辆的安全交互的能力。我们通过基于真实交通数据生成的广泛模拟来证明我们方法的有效性，并将其性能与现有方法进行比较。在基于真实美国101高速公路数据生成的具有挑战性的匝道合流案例中，L3IS显示出99.90％的成功率。我们进一步对AL3IS进行了灵敏度分析，评估其对不同观测延迟的鲁棒性，结果表明在1秒的车辆间通信延迟下，取得了93.84％的成功率，性能令人满意。

Mar, 2024

本研究解决了自动驾驶车辆在环形交叉口遇到困境区（DZ）时的安全挑战，提出了一种利用轨迹预测的自动系统，以提高安全标准。研究中的模块化图结构递归模型有效预测不同交通代理的轨迹，实验结果显示该系统在困境预测方面实现了高精度和低假阳性率，显著增强了交通管理决策。

Sep, 2024