基于车内外情景融合的动态风险评估方法，创建用于 ADAS 性能评估的多传感器数据集并融合车辆内外数据构建基于 LDM 的动态风险评估系统。

Apr, 2024

人工智能和深度学习技术的迅速发展促进了自动驾驶系统，但是这些系统仍受到来自不同攻击的威胁。此研究调查了可能危及自动驾驶系统的各种攻击，以及相应的最新防御机制，从而提出了一些有前途的研究方向以提高自动驾驶的安全性。

Apr, 2021

本论文针对自动驾驶系统的安全分析提出了一种实用的验证方法，即建立量化描述交通场景下 ADS 行为的代理模型，并通过证明安全特性来保证原 ADS 的性能。此外，我们还探索了危险驾驶的安全和不安全参数空间，并通过评估多个模拟交通场景下的安全特性展示了所提出方法的实用性。

Nov, 2022

驾驶行为相关事故的避险技术对于风险缓解至关重要。我们提供了一种新的多类驾驶员分心风险评估（MDDRA）模型，该模型在旅程中考虑了车辆、驾驶员和环境数据。MDDRA 通过风险矩阵将驾驶员分类为安全、不小心或危险。我们使用 Field Operation Test（TeleFOT）收集了在英国东米德兰地区使用相同路线的真实数据。结果显示，通过减少由驾驶员分心引起的道路事故是可能的。我们还研究了分心（驾驶员、车辆和环境）与基于连续分心严重程度评分的分类严重程度之间的相关性。此外，我们应用机器学习技术对驾驶员分心进行分类和预测，以在情况被认为存在风险时帮助控制从驾驶员转移到车辆（接管车辆）。集成袋装树算法表现最佳，准确率为 96.2%。

Feb, 2024

在这项工作中，我们提出了一种汽车传感器丰富的平台和学习算法用于机动预测，该平台使用多个传感器流并联学习以提前预测机动，并提出了一种新颖的训练流程，我们提供了一个包含 1180 英里自然高速公路和城市行驶数据集，在现实时间内可以预测 3.5 秒的机动，精确度和召回率分别为 90.5％和 87.4％。

Jan, 2016

智能驾驶系统应能根据当前环境和车辆状况动态制定适当的驾驶策略，确保系统的安全可靠性。本文介绍了一种适用于复杂和各种场景的安全通用端到端自动驾驶系统（SGADS），该系统结合了变分推断与归一化流，使智能车辆能够准确预测未来的驾驶轨迹，并提出了鲁棒安全约束的制定方法。此外，我们将强化学习与示范结合，以增强智能体的搜索过程。实验结果表明，与现有方法相比，我们的 SGADS 能够显著提高安全性能，在复杂城市场景中展现出强大的泛化能力，并提高智能车辆的训练效率。

Jan, 2024

本研究综述了自动驾驶系统的现状、面临的挑战和核心功能，并在实际驾驶中实现了各种算法和技术的比较，提出了自动驾驶系统发展所需的数据集和工具建议。

Jun, 2019

自主驾驶系统（ADS）是能够自动感知环境并独立作出驾驶决策的系统。本文介绍了一种使用强化学习的新型 ADS 测试方法 DeepQTest，该方法通过学习环境配置以揭示异常 ADS 行为，并且实现了场景的真实性。在工业级 ADS 上的实验证明 DeepQTest 在生成导致碰撞的场景以及确保场景真实性方面具有显著的效果优势。

Oct, 2023

自动驾驶系统在复杂驾驶环境中导航是困难的，该论文提出了一种增强的运动规划方法，利用周围人类驾驶车辆的驾驶行为和长期轨迹来改善自动驾驶系统的驾驶安全性。

Aug, 2023

本文提出增强现实自动驾驶模拟 (AADS) 方法来帮助自动驾驶技术的开发和测试，使用 LiDAR 和相机扫描街道场景并生成高度真实的交通流量以用于场景复原，其兼具虚拟环境灵活性和真实世界的真实性，实现了全方位的自动驾驶系统感知到规划的端到端训练和测试。

Jan, 2019