本文通过三个独特的文章，概述了自动驾驶技术和智能车辆发展的历史、进展、伦理和未来方向，重点探讨了控制、计算系统、通信、高清地图、测试和人类行为等各方面的技术发展。
Jun, 2023
本文调查了现有的规划和控制算法，特别关注城市环境，旨在帮助系统设计，实现自动驾驶汽车的安全，高效，方便的运输。
Apr, 2016
本文总结了自动驾驶和智能车辆技术发展的历史，最新里程碑，技术方向和未来研究方向，并重点介绍了控制系统设计、感知和规划两方面的进展。
May, 2023
本文快速回顾了当前在工业界和学术界报道的方法和技术，具体地评估了包括特斯拉 FSD V12、Momenta 2023、Horizon Robotics 2023、Motional RoboTaxi 2022、Woven Planet（丰田）：城市司机和 Nvidia 在内的端到端规划。此外，我们还回顾了研究自主驾驶端到端规划的学术研究领域的最新研究。本文为读者提供了有关 2022-2023 年最新端到端规划的简洁结构和快速学习方法。本文既是初学者了解工业界和学术界自主驾驶端到端规划最新进展的入门材料，也是高级研究人员的补充资料。
Dec, 2023
本文提出了总体自动驾驶和智能车辆技术的调研概述，回顾了历史，总结了里程碑，提供了未来的研究方向和伦理，为研究人员和初学者之间构建了一座桥梁。
Mar, 2023
本文系统分析了 250 多篇论文，涵盖了自主驾驶的动机、路线图、方法论、挑战和未来趋势，并深入探讨了多模态、可解释性、因果混淆、健壮性和世界模型等若干关键挑战，同时讨论了基础模型和视觉预训练的最新进展，以及如何在端到端驾驶框架中整合这些技术。
自动驾驶有潜力彻底改变个人、公共和货物运输的机动性。通过准确感知环境并利用可获得的传感器数据，自动驾驶需要规划一条安全、舒适和高效的运动轨迹。为了提高安全性和前进步伐，许多研究依赖于预测周围交通的未来运动。模块化的自动驾驶系统通常将预测和规划作为顺序独立的任务处理。然而，这种方法虽然考虑到了周围交通对自车的影响，却未能预测交通参与者对自车行为的反应。最近的研究表明，将预测和规划整合为相互依赖的联合步骤是实现安全、高效和舒适驾驶的必要条件。本研究系统回顾了基于深度学习的预测、规划和集成预测规划模型的最新进展。考虑到模型架构、设计和行为方面，综合了集成的不同方面，并将它们相互关联。此外，我们讨论了不同集成方法的意义、优势和限制。通过指出研究中的空白、描述相关的未来挑战以及突出研究领域的趋势，我们确定了未来研究的有希望的方向。
Aug, 2023
该论文综述了目前与规划、调度和学习相关的最新研究，介绍了规划算法、神经网络、图神经网络、强化学习算法、基于神经网络的路径规划的成功方法，以及带不确定性的时间规划问题。
Jul, 2022
本文提出了一种快速、稳健的运动规划框架，通过几种特征实现了在城市条件下实现自动驾驶，其中包括了路径规划和基于 A * 算法的最优轨迹计算，并考虑了各种不同的约束条件和时间跨度进行了验证。
Mar, 2018
本文综述了自动驾驶车辆 (AD) 的轨迹预测方法，重点讨论了基于机器学习的方法，包括深度学习和强化学习。该文还研究了常用的数据集和评估指标，并比较了两个主要的学习流程。通过确定现有文献中存在的挑战和潜在研究方向，本综述在 AD 轨迹预测方面做出了重要贡献。
Jul, 2023