为了自动驾驶释放，需要有效的测试策略和适当的测试方法。本研究提出了一个新的方法来解决感知模块的要求问题，并针对碰撞安全在高速公路领域进行了示例应用。通过功能场景的拆分和限制交通规则，得出了感知的相关性标准。这些结果可应用于离线测试和验证。
Jul, 2023
我们的研究旨在基于一种正式方法确定对于目前任务来说对于一个安全关键的自主系统而言是相关的信息，即哪些信息足以构建一个适当的世界观以实现其使命目标。
配置和部署能够成功提取对象相关性知识的对象检测器，并利用这些知识来改善轨迹规划任务。在给定物体检测器的情况下，基于对象的相关性和传统的置信度阈值进行过滤，可以减少错过相关对象的风险，降低危险轨迹的可能性，并总体上提高轨迹的质量。
Apr, 2024
本研究旨在通过建立物体关键性模型，提出新的物体检测评估措施来评估自动驾驶中物体检测的安全性和可靠性，并在 nuScenes 数据集上对九种物体检测器进行比较，结果表明，在多种情况下，根据 nuScenes 排名表现最好的物体检测器当重点关注安全性和可靠性时，并不是最好的选择。
Mar, 2022
本文介绍了一种用于分析语义分割模型稳健性的新方法，并提供了一些指标以评估在各种环境条件下的分类性能。该过程还结合了另一种传感器（lidar）以自动化处理过程，消除了验证数据的手工标注需求。实验结果表明，语义分割模型的性能因天气、相机参数、阴影等因素而异，并演示了如何在改进模型后比较和验证各种网络的性能。
Oct, 2018
通过利用虚拟数据来处理自动驾驶的数据合并问题，并通过 DU-drive 实现了端到端自动驾驶的无监督域融合框架，达到了更好的性能表现和解释能力。
Jan, 2018
该研究论文中提出了一种量化黑盒视觉模型对视觉背景依赖性的方法，通过编辑图像并测量目标模型的响应，以发现物体与背景之间的不良依赖性，并提出基于物体去除的数据增强方案以缓解这种依赖性，从而提高分类和分割模型对环境变化的鲁棒性。
Dec, 2018
利用卷积神经网络从大规模的人类认知感知数据集中学习，在全球范围内量化城市环境感知现象的关系。
Aug, 2016
本文研究了自动驾驶车辆的安全性评估中的预测模型。作者指出，常用的评估方法不足以准确地评估预测模型，应该采用场景评估方法进行评估。通过 Waymo 开放运动数据集的轨迹分类，作者评估了三种不同的预测模型。结果表明，应根据模型所用于的应用程序的要求进行评估。
Oct, 2022
该研究旨在提升基于实现值得信赖的人工智能设计需求的可靠性运动预测系统。其分析了当前评估基准的主要缺陷，提出了一个新的全面评估框架，并制定了用于模拟感知系统中的噪声的空间和时间鲁棒性评估方法。同时，提出了附加在多模态运动预测模型上的意图预测层，以提升输出的可解释性和生成更平衡的结果。最后，通过调查探讨了多模态轨迹和意图可视化中的不同元素来评估输出的可解释性。