本文提出了一种名为 4C 的端到端设计原则，通过提供统一的通信，计算和控制共设计框架扩展了 V-IoT 系统，增强了互联和自主驾驶技术的响应性和效率。同时，本文介绍了实现 4C 框架的挑战。

Jul, 2021

本研究介绍了一种信息共享和安全多智能体强化学习框架，通过车辆间通信收集处理后的 LIDAR 和摄像头数据，在提高交通效率和安全方面取得优势，并在 CARLA 模拟器中得到验证。

Feb, 2023

本文提出了一个民间最优控制框架，该方法可以协调联网和自动化的车辆穿过城市区域的相邻两个交叉口，并优化车辆加减速度降低油耗，保证在不使用交通信号灯的情况下交叉口的流畅与行车安全和避免拥堵。最后在仿真实验中证实了该方法的有效性，并表明车辆油耗和行程时间均可以大大降低。

Sep, 2015

本文阐述了在未来智能交通系统中，机器学习在自动驾驶汽车（CAV）中的应用所带来的各种挑战和潜在的安全问题，特别关注于对 CAV 的敌对性机器学习攻击，并提出了在多种情况下防御对抗攻击的解决方案。

May, 2019

本文探讨了利用安全框架保障联网自动驾驶汽车网络的安全，通过识别攻击者的关键对策，提出了一个依靠信任框架的控制方案，能够保障安全协调。同时，还提出了 Sybil 攻击的检测和缓解方案，模拟结果表明，我们的方案能够检测 Sybil 攻击并有效缓解其影响。

May, 2023

自动驾驶引起学术界和工业界的广泛关注，但目前的自动驾驶系统大多基于单一车辆，存在较大限制，可能威胁驾驶安全。基于连接和自动驾驶车辆的协作感知被认为是解决这些限制的一种有前景的方法。本文首先确定了协作感知的挑战，如数据共享异步性、数据量和姿态误差等。然后，我们讨论了使用各种技术解决这些挑战的可能方法，并阐述了相关的研究机会。此外，我们提出了一种应对通信效率和延迟问题的方案，即一种通道感知的协作感知框架，通过动态调整通信图并减小延迟，提高感知性能和通信效率。最后，我们进行实验证明了我们提出方案的有效性。

Jan, 2024

本文提出了一种使用多智能体强化学习框架 (MARL) 的安全保护平行体系结构来提高连接和自主车辆 (CAV) 系统在复杂驾驶情况下的安全性和效率，并使用 Graph Convolutional Network (GCN)-Transformer 作为空间 - 时间编码器，设立安全屏障并对 CAV 进行安全检查，实验结果显示该方法大大提高了系统安全性和效率。

Oct, 2022

通过利用智能基础设施中的自主监测交通指南（SSTA）框架，将交通视频预测改为预测未来的车辆流量，以帮助自动驾驶车辆（CAV）的运动规划。该设计在拥挤的城市环境下证明了其有效性。

Sep, 2023

本文提出一种基于 GCN 和 DQN 的深度强化学习方法，名为 GCQ，用于信息融合和决策处理，以便协同感知获取的信息可以实现多辆 CAV 的安全和协作换道决策，从而达到个体意愿的满足，即使在高度动态和部分观察到的混合交通状况下，可以部署在道路边缘单元或云平台等集中控制基础设施上，以提高 CAV 运作。

Oct, 2020

自动驾驶汽车技术快速发展，对道路交通安全产生了重大影响，同时也解决了多种复杂的交通问题。为了确保自动驾驶汽车之间以及自动驾驶汽车与人类驾驶员之间的合作互动，本研究提出了一个多阶段的方法，采用共享和关怀的车对车通信策略来加强协同行为。通过进行一项调查来验证自动驾驶汽车的驾驶性能，并可用于一个混合交通案例研究，重点研究人类驾驶员如何对待与他们同时驾驶在同一条道路上的自动驾驶汽车。研究结果表明，采用深度强化学习，自动驾驶车辆获得了接近人类驾驶性能的驾驶行为。在自动驾驶汽车网络中采用共享和关怀的车对车通信可以提高其驾驶行为，促进更有效的行动计划，并增进自动驾驶汽车之间的合作行为。调查结果显示，无法保证混合交通中的安全性，因为我们无法控制人类驾驶员出于自我的行为，如果他们决定与自动驾驶汽车竞争。因此，本研究倡导加强对自动驾驶汽车在公共道路上安全融入的研究。

Dec, 2023