本文提出的自适应评估框架可以通过深度强化学习生成对自动驾驶车辆具有挑战性的敌对环境，应用了集合模型来表示不同本地最优解以及非参数贝叶斯方法来对敌对策略进行聚类，验证表明所生成的敌对环境可以明显降低被测试车辆的性能，通过此方法可以推断所测试车辆的缺陷。

Apr, 2020

本文提出了一种对抗性强化学习算法以最大化自主车辆动态控制对网络物理攻击的鲁棒性，通过分析状态估计过程并在博弈理论框架中研究了攻击者和自主车辆之间的互动以及提出了长短期记忆的使用，同时研究了数据处理的过程以提高面对网络物理攻击的鲁棒性。

May, 2018

采用生成式对抗模仿学习模型训练递归策略，提高了人类驾驶行为仿真在智能交通系统应用中的准确性，具有较高的实用性。

Jan, 2017

该研究比较了 Robust Adversarial Reinforcement Learning 和 Neural Fictitious Self Play 算法在自动驾驶场景下的性能表现，将学习问题定义为自主系统与环境干扰之间的两人博弈，扩展为半竞争的情况，结果表明对手更好地捕捉了有意义的干扰，从而产生了更好的驾驶效率和减少了与传统强化学习方法相比的碰撞率。

Mar, 2019

该研究旨在利用深度强化学习来创建人类行为类似的背景车辆，从而评估自动驾驶汽车的智能表现，并提出了一个包括安全、驾驶效率和交互效用的框架，用于评价和量化三个系统的智能绩效。

Jun, 2023

讨论自动驾驶车辆如何通过基于层次逆强化学习的概率预测方法，准确预测周围车辆的行为并进行规划，以此应对人类行为的不确定性和交互作用。

Sep, 2018

自动驾驶策略研究提出了基于风险预测的方法，利用周围车辆的重量建立风险指示器并采用分层深度强化学习。模拟结果显示该方法能同时降低潜在事故的发生几率和后果，并提高驾驶效率。

Dec, 2023

通过概率信任模型评估自动驾驶规划程序的鲁棒性，力求帮助研究人员评估机器学习规划器对抗攻击的保护措施。提议评估过程基于敌对性评估，即难度估计对手决定有效诱导不安全行为的条件，展示了该方法在基于基于摄像头的物体检测器的规划保护中的应用。

May, 2022

本文提出了一种优化型对抗攻击框架，旨在研究基于数据的轨迹预测系统的对抗鲁棒性。通过模拟实验，展示了该攻击框架可以有效地增加不同度量指标的预测误差，甚至可以导致自动驾驶汽车离开道路或与其他车辆碰撞。同时，本文还探讨并提出了一种对抗训练策略来减轻对抗攻击的影响。

Sep, 2022

该研究探讨了自动驾驶系统对物理对抗攻击（胶带、涂鸦、照明）的弹性，并通过开发和评估多个机器学习模型，对道路标志和几何形状进行了测试，结果表明迁移学习在提高道路标志分类的可泛化性方面发挥了关键作用。该研究旨在改善自动驾驶车辆中目标分类器的安全性和鲁棒性，减轻对驾驶系统的对抗性示例影响。

Nov, 2023