本研究提出了一种基于社会感知方案的自主驾驶决策模块，在该模块中，利用所有可用信息并恰当地处理不确定性问题，将社会感知的更新信念明确地纳入了基于 MPC 的概率规划框架中，以此实现了防御但不过于保守且社会兼容的驾驶策略。

May, 2019

自动驾驶（AD）系统通常以模块化方式构建和测试，其中使用特定任务的度量标准来衡量不同模块的性能。我们展示了可以构建得分在各种感知质量度量方面非常高，但仍导致规划失败的规划输入，称之为对抗感知错误，并通过使用简单的边界攻击算法在 CARLA 模拟器中找到了针对两个不同黑盒规划器的攻击，适用于几种城市和高速公路驾驶场景。最后，我们分析了这些攻击的特性，表明它们在规划器的输入空间中是孤立的，并讨论了它们对自动驾驶系统部署和测试的影响。

Nov, 2023

提出一种新的自动驾驶系统框架 UniAD，其将任务的优先级与任务之间的交互结合，以整合现有方法中尚未合并的任务，实现更高水平的自动驾驶。

Dec, 2022

本文提出了一种基于仿真的方法，以回答一个关键问题：感知系统的性能是否足以让决策系统做出强有力的、安全的决策，同时还展示了如何分析不同类型的感知误差对自主系统行为的影响。

Jan, 2020

自动驾驶是一项新兴技术，本论文提出了一种基于深度强化学习的参数化决策框架，AUTO，在感知多模态状态特征基础上设计了图形模型来学习多模态语义特征的状态表示，并通过混合奖励函数考虑安全、交通效率、乘客舒适度等因素，以生成最佳行动。通过广泛实验，证明了 AUTO 在宏观和微观效果上领先于现有技术。

Dec, 2023

本文提出了一种感知模仿方法以模拟某个感知模型的结果，探讨了一条新的启发式自动驾驶模拟器路线，无需进行数据合成，而是直接模拟感知结果，更经济高效。通过匹配度量和下游任务的性能等一系列评估方法来检验仿真质量。实验表明，本方法有效地模拟了基于学习的感知模型的行为，并可以顺利地应用于所提出的仿真路线中。

Apr, 2023

本文提出了一种基于风险分析的方法来设计自主系统感知模块，从而最小化感知误差对系统安全性的影响，并在真实的基于视觉的飞机避碰应用中证明，此方法可以将风险降低 37% 以上。

May, 2022

该文提出了一个自我评估的能力 —— 内省，并基于此提出了一个模型，通过输入的感应器数据可可靠地预测给定任务下系统的失败。该模型在室外自然环境下的视觉自主微型飞行器飞行中表现出效果显著。

Jul, 2016

本论文重新评估了自动驾驶系统在三个主要任务中规划任务的评估方法，并设计了一种基于 MLP 的方法，仅使用原始传感器数据直接输出自车未来轨迹，在 nuScenes 数据集上实现了最先进的端到端规划性能，降低了约 30％的平均 L2 错误。同时，提供了对 nuScenes 数据集成功规划任务的关键因素进行深入分析，并提出了需要重新思考的问题。

May, 2023

本文综述了近期深度学习与感知模块相结合的自动驾驶系统，介绍了针对何时、如何和何种方式集成多传感器测量的分类方法，提出了基于多视图、多模态和多帧的三维集成分类，总结了集成操作的优缺点，并讨论了理想数据集成方法的关键特性。

Jun, 2023