门控驱动注意力预测器
本研究探讨了可解释的自动驾驶车辆中使用视觉解释的方法，使乘客、保险公司、执法机构和开发人员能够理解神经网络控制模型的行为，该模型采用了视觉关注模型进行训练，并应用因果过滤步骤来确定哪些输入区域实际上影响了输出。该方法在三个数据集上进行了有效性研究，证明了其在自动驾驶行为和人类驾驶行为中的应用价值。
Mar, 2017
本文旨在预测驾驶员的注意力集中情况，提出了一种基于多分支深度架构的计算机视觉模型，集成了三种信息源：原始视频、动态和场景语义，并介绍了DR(eye)VE，这是迄今为止最大的驾驶场景数据集，结果强调了跨驾驶员共享的注意力模式，可在人车交互和驾驶员注意力分析等多个应用方面受益。
May, 2017
本文提出了一个新的基于驾驶员目光追踪和车祸注释的视频基准测试集（DADA-2000），涵盖了54种不同类型的车祸，可以更全面地预测即将发生的事故。
Apr, 2019
通过关注机制和LSTM网络，该文研究了自动驾驶车辆中驾驶员意图与车辆位置变化的关系，并将其用于预测，采用非欧几里得图形和图神经网络等处理方式比其他最先进技术表现更好，此模型具有很大的实用潜力并可大规模应用于许多自动驾驶系统。
Sep, 2019
本研究提出了一个新的驾驶员注意力数据集，CoCAtt，通过使用眼动仪设备来捕捉手动和自动驾驶模式下的注意力数据，包含表述驾驶员分心状态和意图的每帧注释。结果表明，将驾驶状态和意图纳入注意力建模中可以提高驾驶员注意力预测的性能，并且CoCAtt是目前自主等级、眼动仪分辨率及驾驶情境最多元和最大的驾驶员注意力数据集。
Jul, 2022
本文探讨了基于图注意网络的GATv2在小型稀疏图结构中可能遇到的一些优化问题，并提出了改进的解决方案和方法，通过实验结果验证改进后的模型方案在节点级别回归任务中表现更好，同时提高了参数初始化的鲁棒性，并对其解释性进行了分析，以此来深入了解注意力机制。
May, 2023
该研究提出了两种高效而准确的“数字孪生”模型，利用图注意力神经网络（GAT）来捕捉交叉口内交通的时态、空间和情境方面的因素，并具有多种应用，包括交通信号优化、车道重新配置、驾驶行为分析以及提升交叉口安全和效率增强等。
Apr, 2024
精确预测驾驶员的凝视是基于视觉的驾驶员监控和辅助系统的重要组成部分，本文介绍了一种使用GPS数据对任务和环境进行建模的驾驶员凝视预测模型 SCOUT+，并证明了其相对于底层模型和顶层模型 SCOUT 在两个数据集上的改进效果。
Apr, 2024