这篇论文研究了自动乘客车辆的在路轨迹规划，包括采样方法和优化算法，特别关注车辆的安全和舒适性以及车道边界的遵循。

Sep, 2023

本文介绍了一种处理线性二次调节器问题的一阶加速优化框架，并对 SLQR 和 OLQR 问题给出了其收敛性分析。

Jul, 2023

本文对于一种学习控制策略进行了系统分析，该策略主要包括估计系统动态模型和应用轨迹优化算法来降低目标成本，我们提出了一种基于本地线性模型的算法，在重要的问题参数上获得了多项式的样本复杂度，并通过合成本地稳定增益，克服了问题时间影响的指数依赖性，我们的实验结果也验证了该算法的有效性并与自然深度学习基线进行了比较。

May, 2023

本文提出了一种基于强化学习的适应性路径跟踪控制系统，可用于自动驾驶汽车，并使用 Q-Learning 算法进行较小横向和转向轨迹误差的校准。该系统还基于 ROS 桥连接了 CARLA 模拟环境和跟踪器结果。模拟结果表明，本系统能够安全地适应不同类型的参考轨迹，并具有低误差追踪能力。

Jan, 2023

本文提出了一种基于强化学习框架的方法，利用 CBF、CLF 等约束条件中存在的模型不确定性，并结合标称模型的 CBF-CLF-QP，得到了强化学习驱动的 CBF-CLF-QP，有效解决了安全约束中的模型不确定性问题。实验证明，在一个脚踩随机分布台石的非完全驱动非线性双足机器人上，此方法保证了机器人的安全和稳定行走。

Apr, 2020

该论文提出了一个有效的自主驾驶车辆操作框架，仅需要使用单目相机和几个廉价雷达，使用 MTUNet 网络提取图像特征，并使用 CILQR 和 VPC 模块进行快速运动规划和控制。该控制器可以保持自拍车速度及全向偏移分别为 76 公里 / 小时及 0.52 米，而无需使用高清地图。

Sep, 2022

本文提出基于 CIRL 和 DDPG 的深度强化学习方法能够在高保真车辆模拟器中，仅基于视觉输入实现驾驶任务，并相较于监督式模仿学习表现更优，特别地，文章为多控制信号专门设计自适应策略和奖励方案，并基于编码技术引导驾驶代理人在一定限制空间内探索，相较以往方法在 CARLA 数据集实验中显著提高了成功率。

Jul, 2018

本研究在考虑受环境噪音干扰的线性动态系统调节问题中，计算在线和离线控制策略的策略后悔。研究者在离线控制策略的优化上进行了全面的描述，并证明了离线线性策略的代价会随着时间增长而与在线策略的代价收敛，即使在噪声被选择的情况下。

Feb, 2020

本文研究基于深度学习和强化学习方法的视觉自主驾驶技术，提出了一种将视觉控制系统拆分为感知模块和控制模块的方法，并针对数据效率提出了基于 TORCS 的深度强化学习模拟环境。实验结果表明，感知模块表现良好，控制器实现了对车辆的良好控制。

Oct, 2018

本文提出了一种控制策略，可同时操作车道保持和自适应巡航，通过控制束函数的设计，保证安全规范的满足，通过 Carsim 车辆模拟器的模拟，证明了该控制方法的有效性。

Sep, 2016