提出了基于 Long Short-Term Memory 的 Adaptive Cruise Control 系统，在仿真驾驶环境中表现出比基于 ANN 和 MPC 模型更为准确的预测效果，可学习适应不同的驾驶状况。

May, 2023

使用新的汽车跟随模型模拟自适应巡航控制的车辆对交通流的影响，发现不同的自适应巡航控制策略会显著地改变交通的最大容量和动态瓶颈容量。

Dec, 2009

为了检测自动驾驶车辆遭受的网络攻击，本论文提出了一个基于交通模型框架和生成对抗网络的异常检测模型，通过实时车辆轨迹数据来识别恶意操作控制命令、传感器测量的虚假数据注入攻击以及拒绝服务攻击。与其他神经网络模型相比，所提出的方法在准确识别具有异常驾驶行为的自适应巡航控制车辆方面具有更高的准确率。

Oct, 2023

自动驾驶技术能够提高交通安全和减少事故，本研究提出了基于短期记忆 (LSTM) 网络的安全敏感深度学习模型来预测轨迹，通过考虑交互信息的意图识别模块，实现高准确性和流畅性的车道变换，并优化自动驾驶轨迹规划。

Feb, 2024

该研究评估了基于深度神经网络的自适应巡航控制系统在感知攻击下的安全性，通过注入摄像头数据扰动以引发前方碰撞，提出了一种基于知识和数据的结合方法，设计了一种上下文感知策略来选择攻击触发的最关键时间，并提出了一种实时自适应生成图像扰动的优化方法。通过实际驾驶数据集和仿真平台进行攻击效果评估，考虑驾驶员干预以及自动紧急制动和前方碰撞警示等安全功能，实验结果表明，相比于随机攻击，该攻击的事故成功率提高了 142.9 倍，并且在受到安全功能限制时减少了 89.6%，同时具有潜在性和对真实环境因素和动态变化的鲁棒性。该研究对人工操作员和基本安全干预在预防攻击中的作用提供了深入洞察。

Jul, 2023

本文提出一种基于驾驶车辆间互动的车道变换方法，其中采用交互轨迹预测方法探索 AV 和其他车辆之间的可能协作。此外，本文设计了一种综合考虑安全、效率和舒适度的评估以做出车道变换决策，并提出了一种基于模型预测控制（MPC）的运动规划算法，以协调 AV 的决策和周围车辆的交互行为，从而避免车道变换过程中发生碰撞。定量测试结果显示，相较于没有交互预测的方法，本文的方法将 AV 和其他车辆的驾驶效率分别提升了 14.8% 和 2.6%，表明恰当利用车辆之间的互动可以有效减少 AV 的保守性并促进与其他车辆之间的协作。

Jan, 2022

本文介绍了一种基于深度学习的预测方法，用于自动驾驶车辆的变道行为，旨在促进安全的变道操作，从而提高道路安全。

Feb, 2024

我们提出了可编辑行为生成（EBG）模型，这是一种数据驱动的车辆跟随模型，允许调整驾驶不礼貌水平，该模型整合了多种礼貌计算方法，通过 LSTM 和 Transformer 架构提供了全面的方法来捕捉细微的驾驶动力学。该模型是第一个可以动态调整不礼貌水平的数据驱动车辆跟随模型，为考虑驾驶员社交偏好的 ACC 系统开发提供了有价值的见解。

Jun, 2024

本文提出了一种基于 LSTM 神经网络对高速公路行驶中的车辆进行准确的纵向和横向轨迹预测方法，同时使用 NGSIM US-101 数据集中来自超过 6000 名司机的 800 小时记录轨迹进行训练和验证。

Jan, 2018

我们在这篇论文中开发了一个基于深度神经网络的集成回归器，用于自适应巡航控制中估计与前车的车头距离，并通过概率安全约束来实现跟踪速度和保持安全跟车距离的目标。

Mar, 2024