本研究提出了以图论为基础的知识图谱用于汽车开发过程中的碰撞安全，关注如何在研发流程中将 CAE 数据与车辆安全性能评估协议相连接。

Sep, 2022

本文通过构建一个大规模、统一的数据集，总计 900 万条交通事故记录，并结合道路网络和交通量报告，评估了现有的深度学习方法在预测道路上事故发生的准确性。研究发现，图神经网络（如 GraphSAGE）能够准确预测道路上事故的数量，平均绝对误差低于 22%（相对于实际计数），并且对于是否会发生事故的预测准确率高达 87% 以上（通过平均州统计）。通过多任务学习考虑州际变异性和迁移学习将交通量与事故预测相结合，取得这些结果。消融研究凸显了道路图结构特征的重要性。最后，讨论了分析的意义并开发了一个使用该数据集的便捷包。

Oct, 2023

采用 GPS 轨迹推断方法，构建地图上的道路施工现场。该方法通过识别道路网中的交叉口，将它们连接为边缘，并产生一个图形，用于规划和任务分配。在挪威的一个实际施工现场展示了该方法的有效性。

Feb, 2024

使用现代化驾驶模拟器，提出检测和生成测试方案的有效机制，通过量化方案复杂度的度量标准来定义基于避免事故的复杂度度量标准，并对未来的自动驾驶车辆进行改进提供了洞见。

Mar, 2021

研究开发了基于模拟的路径规划和道德决策模型，结合隶属函数应用于加权效用成本函数，基于效用主义道德方法，通过最低伤害严重程度来预测 AV 的碰撞转向决策。

Dec, 2022

该研究提出一种通过检查拓扑特征来发现具有相似交通流量特征的交通路段的方法，该方法可以通过数据的合成来尽可能减少对交通监测所需的经济投入。研究还分析了几种基于此方法的数据生成方法，并与简单的流量估计方法进行了比较。

Jan, 2022

自主车辆安全验证的挑战在于不同于训练数据的安全关键情况，通过基于仿真场景测试扩展道路和交通条件的涵盖范围以及包含边界情况，可以改善自主车辆的安全性。我们的方法基于历史交通数据，允许工程师生成新颖、逼真的边界情况，并解释为什么这些情况是安全关键的。我们引入了概率车道图 (PLGs) 来描述有限的车道位置和方向，PLGs 的结构是直接从时空交通数据中学习的。这个图模型通过以概率策略的形式，表示驾驶员对给定状态的响应行为，我们使用强化学习技术修改这个策略，生成逼真且可解释的边界情况，用于评估自主车辆的安全性。

Aug, 2023

通过高分辨率车辆轨迹数据，该研究聚焦于车辆群体作为分析主体，探索了车辆群体和道路段特征对风险形成和传播机制的影响，并确定了多个影响事故风险的关键因素。研究开发了多项式逻辑回归模型对空间风险传播模式进行分析，结果显示高风险状态持续时间、车辆群体规模增加和频繁的变道与不利的风险传播模式相关联。此外，该研究对不同类型的分类器、预测时间间隔和自适应 TTC 阈值进行了敏感性分析，并获得了超过 0.93 的最高 AUC 值，为研究人员和实践者在理解和预测车辆群体安全方面提供了有价值的见解，进而改进车联网和自动驾驶车辆的交通安全管理和运营。

Feb, 2024

研究设计了一种统计学习框架来预测具有不确定性的加载条件下，疲劳裂纹的增长和构件失效寿命，并通过降维和神经网络等技术处理了疲劳裂纹增长的历史依赖性和非线性问题，通过路径切片和重新加权等技术应对了统计噪声和罕见事件，对疲劳裂纹进行了自更新和自纠正，实时监测结构健康和疲劳寿命预测以支持维修管理决策的数字孪生情景进行了验证。

Sep, 2023

为确保自动驾驶系统的安全运行，该研究引入了因果查询的正式化，建立了抽象的安全原则，从而降低与关键影响因素相关的临界性，并对数据采集、模型质量等方面做出了贡献。

Oct, 2022