该研究提出了一种基于深度强化学习的类人自动车跟随规划框架，并通过创新的奖励函数和反应延迟考虑等方法，将人的驾驶行为映射到速度、相对速度和车辆间距离等状态空间，实现了精度更高的自动驾驶策略学习，具有较强泛化能力，可以为智能驾驶算法和交通流模型的发展提供帮助。

Jan, 2019

通过元学习，我们提出了一种可适应个性化车辆跟驰的 MetaFollower 框架，结合长短期记忆网络（LSTM）和智能驾驶模型（IDM），能够准确捕捉和模拟车辆跟驰行为的细微动态，并考虑到个体驾驶者的独特驾驶风格。与常规的自适应巡航控制系统相比，该框架能够快速适应新驾驶员并在预测车辆跟驰行为方面具有更高的准确性和安全性。

Jun, 2024

本文介绍了一种分层的模仿学习方法，包括一个高层次基于网格的行为规划器和一个低层次的轨迹规划器来增强神经网络的可靠性和稳定性。该方法可以被嵌入到基于规则的架构中，且在封闭回路仿真和实际驾驶测试中表现卓越，特别适用于复杂的城市自动驾驶场景。

Mar, 2023

该研究提出一种基于关注力转换器模型的长序列跟车轨迹预测模型，通过跨层带关注的自注意机制和交叉注意机制在历史驾驶数据和未来 LV 速度数据之间建立联系，从而可以准确预测车辆的 Future FV Speed Profile，在上海自然驾驶研究中该模型表现出比传统智能驾驶模型、全连接神经网络模型、长短时记忆模型更高的准确性。

Feb, 2022

本研究建立了一个公共基准数据集，用于汽车跟车行为建模。数据集包含来自五个公共驾驶数据集的超过 80K 个汽车跟车事件，用于比较不同的跟车模型，并推进更精确模型的发展。实现了代表性的基准模型并进行测试，结果表明，基于 DDPG 模型的跟车模型在大多数数据集中具有竞争力，跟随距离 MSE 值较低，碰撞率较小。

May, 2023

该论文基于深度强化学习提出了一种用于汽车跟随速度控制的模型，通过对车辆速度的控制以最大化累积奖励，实现安全、高效和舒适的车跟随行为，并与实际数据进行了对比，结果表明强化学习方法在无人驾驶系统开发方面具有潜在的贡献。

Jan, 2019

通过随机学习方法结合多个车辆跟随模型，该论文研究了交通动力学和自动驾驶车辆的行为，证明该方法可以更好地再现人类驾驶和自动驾驶的车辆轨迹。

Nov, 2023

通过采用深度强化学习从事自主驾驶车辆上的车辆跟随和变道模型，本论文探讨了解决构成道路阻塞的突发情况，提出了基于 Markov 决策过程和 MEC 辅助架构的综合决策控制系统，并通过 SUMO 模拟器和 OPENAI GYM 评估了该模型的性能，结果显示使用 ε-greedy 策略进行训练的 DQN 代理明显优于使用 Boltzmann 策略进行训练的代理。

Sep, 2023

提出了一种基于软件锁定机制的生物启发式领导者 - 跟随者系统，旨在改善领导者代理和相关自主跟随者之间的协作和协调。该系统利用软件锁定建立领导者和跟随者之间的实时通信和同步，通过深度学习和实时数据处理流程解决了不确定性、动态环境和通信延迟等挑战。追踪领导者并动态避开障碍物，同时与其保持安全距离。实验结果证明了该系统的有效性，为在需要多机器人系统在复杂动态环境中导航的任务中取得成功提供了有前景的解决方案。

May, 2024

本文提出了一种基于深度增强学习和动态规划的算法 Finite-Horizon-DDPG-SS，用于解决车队中车辆跟随控制问题，通过真实驾驶数据的仿真验证了该算法的有效性，并且能够提高车队的安全性和稳定性。

Jun, 2022