利用图像和状态信息，该研究提出了一种全面的自动驾驶监测框架，旨在自动识别自动驾驶车辆与人工驾驶车辆的行为，并在充分考虑数据采集条件不佳的情况下进行测试。

Mar, 2024

自动驾驶发展迅速，硬件和深度学习方法的新进展表现出了良好的性能，高质量的数据集对于开发可靠的自动驾驶算法至关重要。本研究全面调查了 200 多个自动驾驶数据集的多个方面，并引入了一种新的评估指标来评估每个数据集的影响，为建立新的数据集提供了指导。此外，还分析了数据集的注释过程和质量，并对几个重要数据集的数据分布进行了深入分析。最后，讨论了未来自动驾驶数据集的发展趋势。

Jan, 2024

该研究对自主驾驶车辆的决策制定模块进行了探讨，提出了数据驱动决策制定方法的重要性，并对车辆、环境和驾驶员状况的数据进行了比较和总结，进一步总结了数据集的潜在应用及未来发展趋势。

Jun, 2023

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

本文探讨了知识驱动的自动驾驶技术，并强调了当前自动驾驶系统存在的数据偏差敏感性、处理长尾场景的困难以及缺乏可解释性等限制。然而，具有认知、泛化和终身学习能力的知识驱动方法被视为克服这些挑战的有希望途径。本文通过利用大型语言模型、世界模型、神经渲染和其他先进的人工智能技术，系统梳理和回顾了该领域的先前研究工作，并为未来自动驾驶的研究和实际应用提供了洞见和指导。

Dec, 2023

本研究综述了合成数据集生成方法的演变，并回顾了应用于自动驾驶研究的单任务和多任务合成数据集的相关工作，讨论了其在自动驾驶相关算法测试中的作用，尤其是在可信性和安全性方面。此外，该综述还讨论了合成数据集在自动驾驶技术实际部署方面的问题，并提供了一种可能的解决方案。

Apr, 2023

本文提出了一种先进的驾驶辅助系统，通过使用相机和计算设备，捕捉车辆内外的驾驶环境并使用自回归输入 - 输出 HMM 模型来预测驾驶员的驾驶操作，实现在真实环境下 3.5 秒内实时预测驾驶操作，达到 F1 得分超过 80%。

Apr, 2015

本研究提出了一种可以实时辅助驾驶员超车的系统，结合 YOLO 算法和立体视觉技术精确识别和定位前方车辆并估算其距离，再使用彩色灯光通知后续车辆安全超车距离，实验结果表明该系统精度可达误差率 4.107％，具有减少事故风险，提高道路行车安全的潜力。

Apr, 2023

通过系统考察当前两代自动驾驶数据集，本综述提供关于高质量数据集创建原则、数据引擎系统的关键作用，以及采用生成式基础模型促进可扩展数据生成等方面的见解。此外，本综述还详细分析了第三代自动驾驶数据集应具备的特征和数据规模，并深入探讨需要解决的科学和技术挑战，以推动自主创新和关键领域的技术提升。

Dec, 2023

本文概述了自动驾驶技术及其存在的问题，重点探讨了自动驾驶系统中的感知、地图定位、预测、规划和控制、仿真、车联网及安全等方面，并着重介绍了数据闭环解决自动驾驶问题的框架。

Jun, 2023