本研究综述了自动驾驶系统的现状、面临的挑战和核心功能，并在实际驾驶中实现了各种算法和技术的比较，提出了自动驾驶系统发展所需的数据集和工具建议。

Jun, 2019

本文提出了一种快速、稳健的运动规划框架，通过几种特征实现了在城市条件下实现自动驾驶，其中包括了路径规划和基于 A * 算法的最优轨迹计算，并考虑了各种不同的约束条件和时间跨度进行了验证。

Mar, 2018

本研究使用自注意力模块来计算社交和物理上下文情境，采样白噪声，探索了生成模型中注意力的影响，并在 Argoverse 运动预测基准 1.1 上取得了竞争力的单峰结果。

Sep, 2022

基于混合密度网络（MDN）的轨迹预测框架结合驾驶异质性提供概率化和个性化预测，在广泛的车辆轨迹数据集上验证表明该模型相较于现有基准模型能够生成具有显著改进的概率未来轨迹，而驾驶行为特征向量作为额外输入则能提供更多信息以提高预测准确性。

Dec, 2023

基于视觉为中心的自动驾驶是一种有前景的替代方法，该研究提出了一种路径规划方法，通过在城市驾驶场景中使用由高清地图数据和环绕摄像机捕获的图像生成的二维边界框，通过图神经网络和 Transformer 实现局部嵌入和全局嵌入来获得最佳路径规划信息。与现有的基于视觉为中心的方法相比，该模型在 nuPlan 规划任务中表现具有竞争力。

Feb, 2024

提出了一种基于 HATN 的分层框架，通过模仿人类在驾驶中的认知模型和语义理解生成高质量、可转移和适应性 strong > 预测，在真实交通数据中展示了其在准确性、可转移性和适应性方面明显优于其他方法的优势，并强调将来应重点关注可转移性和适应性。

Feb, 2022

这篇论文介绍了一种人类似的轨迹预测模型（HLTP 模型），它采用了灵感自人类认知过程的教师 - 学生知识蒸馏框架，这种方法可以在动态环境中动态适应变化的驾驶场景，提高准确预测的关键知觉线索的获取能力。该模型在 Macao Connected and Autonomous Driving (MoCAD) 数据集以及 NGSIM 和 HighD 基准测试中展示出优于现有模型的性能，特别是在数据不完整的具有挑战性的环境中。

Feb, 2024

自动驾驶有潜力彻底改变个人、公共和货物运输的机动性。通过准确感知环境并利用可获得的传感器数据，自动驾驶需要规划一条安全、舒适和高效的运动轨迹。为了提高安全性和前进步伐，许多研究依赖于预测周围交通的未来运动。模块化的自动驾驶系统通常将预测和规划作为顺序独立的任务处理。然而，这种方法虽然考虑到了周围交通对自车的影响，却未能预测交通参与者对自车行为的反应。最近的研究表明，将预测和规划整合为相互依赖的联合步骤是实现安全、高效和舒适驾驶的必要条件。本研究系统回顾了基于深度学习的预测、规划和集成预测规划模型的最新进展。考虑到模型架构、设计和行为方面，综合了集成的不同方面，并将它们相互关联。此外，我们讨论了不同集成方法的意义、优势和限制。通过指出研究中的空白、描述相关的未来挑战以及突出研究领域的趋势，我们确定了未来研究的有希望的方向。

Aug, 2023

使用先进的人类驾驶车辆模型和高斯过程学习相结合的方法来预测人类驾驶车辆的行为，并利用该模型开发了一种增强型模型预测控制策略，以提高混合车辆编队的安全性和运行效率。

Apr, 2024

在这项工作中，我们提出了一种汽车传感器丰富的平台和学习算法用于机动预测，该平台使用多个传感器流并联学习以提前预测机动，并提出了一种新颖的训练流程，我们提供了一个包含 1180 英里自然高速公路和城市行驶数据集，在现实时间内可以预测 3.5 秒的机动，精确度和召回率分别为 90.5％和 87.4％。

Jan, 2016