本文尝试提高 normalizing flows 在正确捕捉 tail behavior 方面的能力，通过理论分析和实验比较，证明了基于灵活的基础分布和数据驱动线性层的新型流方法可以显著提高深度生成模型的精度，特别是在分布的尾部，展示了在天气和气候预测中应用的案例。

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

本文提出了 CUQDS 框架，该框架旨在量化现有轨迹预测模型在数据分布转移下的预测轨迹不确定性，并在训练阶段考虑模型预测准确性的提高和估计不确定性的减少。

Jun, 2024

本文介绍了一种基于分布式强化学习的方法，通过使用分位回归来逼近状态 - 动作回报分布的全量位函数来得到一个灵活、高效且可应用于各种环境的动态规划方法，并通过在 57 个 Atari 2600 游戏中的表现来展示算法的性能，并使用其隐式定义的分布来研究风险敏感性政策在 Atari 游戏中的效果。

Jun, 2018

本研究提出了一种基于 Haar 小波变换的分块自回归模型，利用分块耦合法，通过对粗糙轨迹条件，精确地对不同时空分辨率下的轨迹进行建模并预测，以提高自主智能体的运行效果。在 Stanford Drone 和 Intersection Drone 两个真实数据集上进行测试，结果表明此模型的生成轨迹精准度和可变性均优于其他条件生成模型。

Sep, 2020

本研究探讨利用分布式 Q-learning 算法的分布透视理论在连续状态空间下的应用，提出了一种新的基于分位数的 Q-learning 算法 Q2-Opt，成功应用于视觉机器人夹取任务，并探究了其风险扭曲函数，同时采用批量强化学习算法进行实验，与以往变量离散的实验结果对比，结果表明 Q2-Opt 在机器人夹取任务机器人夹取成功率上的表现更为优异。

Oct, 2019

通过使用专门的专家组合和路由器网络，本研究提出了一种模块化、无模型依赖的轨迹预测框架，不仅在常见情景下取得了最新的性能，而且在长尾场景下显著提高了预测准确性。

Feb, 2024

在自动驾驶中，已经取得了训练多模态轨迹预测模型的重大进展，然而，有效地将这些模型与下游规划器和基于模型的控制方法整合仍然是一个待解决的问题。我们提出了一种使用学习的锚点嵌入来预测多条轨迹的最新轨迹预测方法，并发现这些锚点嵌入可以对表示高级驾驶行为的离散且不同模式进行参数化。我们建议在这些离散潜在模式上进行完全反应式的闭环规划，从而可以在每一步追踪建模代理之间的因果交互。在一系列更动态的合并场景上验证了我们的方法，并发现我们的方法避免了常规规划器中普遍存在的 “冻结机器人问题”。在实际速度下评估时，在具有挑战性的密集交通场景中，我们的方法也优于 CARLA 上的先前最先进方法。

Mar, 2024

本文研究了具有重尾噪声的高维线性回归模型的分布式估计和支持恢复，并采用分位数回归损失函数来处理噪声。我们提出了一种计算和通信效率高的分布式估计器，理论上表明该方法在少数迭代后即能达到近乎理想的收敛速度，并且还为支持恢复提供了理论保证。

Jun, 2019

基于主动推理（active inference）的模型提供了一个基于最小化预期自由能的单一目标函数来处理目标追求和信息追求（解决不确定性）行为，从而无缝解决不确定性，实现类似人类的适应性驾驶行为。

Nov, 2023