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

本文探讨了知识驱动的自动驾驶技术，并强调了当前自动驾驶系统存在的数据偏差敏感性、处理长尾场景的困难以及缺乏可解释性等限制。然而，具有认知、泛化和终身学习能力的知识驱动方法被视为克服这些挑战的有希望途径。本文通过利用大型语言模型、世界模型、神经渲染和其他先进的人工智能技术，系统梳理和回顾了该领域的先前研究工作，并为未来自动驾驶的研究和实际应用提供了洞见和指导。

Dec, 2023

本研究探讨了在高密度交通条件下，通过应用模仿学习算法，对未来自动驾驶车辆实现控制策略和现实限制的协调，以提高网络能效，结果显示该算法能通过仅使用本地观测数据，提高交通网络能效达 15%。

Jun, 2022

利用数据驱动的方法调整控制器以确保 AV 的安全和个性化控制，进而提高用户的信任度和接受度，我们研究了驾驶风格对用户接受度的影响，并证明了个性化能显著影响 AV 的态度。

Jan, 2023

基于 “物体引导” 模型方法和 Beta 先验的证据深度学习范式，该研究提出了一种解释自动驾驶车辆决策的方法，通过集成不确定性评估来克服复杂驾驶场景中可靠性方面的挑战，并在基于 BDD-OIA 数据集的实验中证明该模型在各种情景下优于现有基准模型。

Feb, 2024

本文综述了自动驾驶车辆 (AD) 的轨迹预测方法，重点讨论了基于机器学习的方法，包括深度学习和强化学习。该文还研究了常用的数据集和评估指标，并比较了两个主要的学习流程。通过确定现有文献中存在的挑战和潜在研究方向，本综述在 AD 轨迹预测方面做出了重要贡献。

Jul, 2023

本文提出了一种通过其他车辆的行为来训练自动驾驶策略的系统，使用监督任务来学习不受视角限制的中间表示，进而预测其他车辆的行为以避免碰撞，并在 CARLA Leaderboard 上取得了出色的成绩。

Mar, 2022

本文介绍了一个基于不确定性感知的集成预测和规划框架，在考虑人的礼貌及预测不确定性的同时生成安全有效的 AV 行为。研究表明，该算法可以明显提高生成行为的人类感，同时还发现人类驾驶员在道路上表现出很大的礼貌，即使对于没有优先权的其他人行驶者，而且这种驾驶偏好在不同文化中存在显著差异。

Oct, 2020

未来的自动驾驶车辆将使用各种传感器生成大量数据，该研究论文提出了一种联邦测量和学习系统，通过车辆间通信提供实时数据，并通过车辆到网络链接运行联邦学习方案来创建交通网络的预测模型。研究结果表明，该方案能够提高学习性能并防止聚合服务器侧的窃听。

Jan, 2024

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