本文提出了一种基于场景进行评估的新模式，以评估自主行驶系统中行人轨迹预测算法的挑战，并通过实证评估在多模态来源数据的融合和有效的分层方式下取得了显著的改进。

Oct, 2023

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

论文指出，当前轨迹预测模型的评估协议存在瑕疵，忽略了数据集和真实驾驶场景之间的动态差异以及预测模型的计算效率。为此，作者提出了一种基于任务的交互式评估方法，以更准确地反映轨迹预测在自动驾驶中的有效性。

Jun, 2023

本研究旨在评估几种常见基线以及两种环境感知模型在自动驾驶中进行准确且稳健的车道预测的表现，结果发现训练过程中加入与实际部署场景相似的扰动可以有效减少性能下降，但仍无法保证对未知的干扰具有鲁棒性，甚至有时降低输入噪声反而有助于提高预测准确性。

Apr, 2023

智能驾驶系统旨在实现零碰撞移动体验，本研究侧重于风险识别，即识别和分析源自动态交通参与者和意外事件的风险。我们引入了 RiskBench，一个基于情景的大规模风险识别基准，通过设计情景分类法和增强管道，系统收集多样情景下的风险的真实数据。通过评估十种算法在检测和定位风险、预见风险以及促进决策方面的能力，我们进行了广泛的实验并总结了风险识别方面的未来研究，旨在鼓励合作努力实现零碰撞的社会。我们已在项目页面上公开了数据集和基准工具包。

Dec, 2023

本研究评估步行者轨迹预测领域的最新技术，并与自动驾驶车辆中的常速模型（CVM）进行比较。使用 ETH/UCY 数据集进行评估，报告了平均位移误差（ADE）和最终位移误差（FDE）。根据真实世界应用的要求，对最初提出的模型的输入特征进行了修改，通过消融研究来研究观察到的运动历史对预测性能的影响，从而更好地理解其影响。此外，还测量了每个模型的推理时间，以评估在面对不同数量的代理时每个模型的可扩展性。结果表明，在生成单一轨迹时，简单模型仍然具有竞争力，某些被普遍认为有用的特征对不同架构的整体性能几乎没有影响。基于这些发现，提出了建议，以指导未来轨迹预测算法的发展。

Aug, 2023

自动驾驶技术正逐渐进入一个转折点，在数据驱动的方式下，通过端到端自动驾驶 (E2E-AD) 可扩展性，已经出现了一个具备变革性潜力的时代。然而，现有的 E2E-AD 方法主要是通过开环日志重放方式进行评估，使用 L2 误差和碰撞率作为度量标准，但这无法充分反映算法的驾驶表现。为了满足全自动驾驶 (FSD) 的全面、真实和公平的测试环境的首要需求，我们提出了 Bench2Drive，这是第一个在闭环方式下评估 E2E-AD 系统多项能力的基准测试。

Jun, 2024

该研究探讨了自主驾驶汽车中目标检测算法的可靠性问题，提出一种设计在线指标以准确评估目标检测算法的可信度的方法，并采用现实的图像扰动对各种量化指标进行评估。

Dec, 2021

通过引入一个新的数据集和评估标准，这篇论文介绍了一种用于自主导航系统中轨迹预测的模型，旨在解决实际应用场景中隔离模型所面临的挑战，并促进对导航动态的深入理解。

Nov, 2023

基于认证方法的轨迹预测模型提供了对于自主驾驶车辆中的鲁棒性问题、对抗性攻击和嘈杂观测的有效解决方案。

Mar, 2024