本文提出了一种新方法来解决道路感知系统中数据不足的问题，即使用增强现实和生成对抗网络来创建合成训练数据集，从而训练鲁棒性较高、适应性更强的道路感知检测器。在两个路口的实验中，我们的实验表明，使用合成数据仅仅作为训练集的检测器可以在所有条件下获得良好的性能，并且在恶劣的条件下，使用标记数据训练的已有检测器的性能可以通过合成数据得到提升。

Jun, 2023

通过利用激光雷达技术与数据融合算法，实现车路协同的共享与组合，提高自动驾驶系统的感知范围、补充盲区、提高感知精度，以促进自动驾驶技术的发展并实现车路一体化。同时，设计测试场景，证明了车路协同自动驾驶与单车自动驾驶相比的优势。

Aug, 2022

通过对不同类型传感器的定量质量评估，该研究为未来的智能交通基础设施传感器提出了一种多模式框架，有效地用于 ITS-S 应用中。

Apr, 2023

本论文提出了一种新方法，通过模拟自动驾驶汽车感知和预测系统的输出，以可靠地进行运动规划测试，从而取代传统的昂贵且具有较大领域差距的传感器模拟。我们使用真实感知和预测输出与标签数据进行训练，从而预测在线系统的输出。此外，我们的方法以高清地图、边界框和轨迹为输入，可由测试工程师轻松手绘几分钟，这大大提高了可扩展性。通过两个大型数据集的定量实验结果表明，我们可以实现通过模拟来进行现实测试的全面方法。

Aug, 2020

该研究介绍了 MSight，一种专为 CAV 设计的最先进的路侧感知系统，具备实时车辆检测、定位、跟踪和短期轨迹预测的能力，通过最小的延迟实现车道级别的准确性，为提高 CAV 的安全性和效率提供了多种潜在应用。

Oct, 2023

本文研究了自动驾驶系统中车辆安全性的提高、深度学习基础的障碍物检测和分割、雷达传感器和摄像头传感器的融合，以及在车辆感知中的数据集、度量、挑战和开放性问题，这些元素对于提高自动驾驶系统的普及率具有重要意义。

Mar, 2023

本论文研究了用于自动驾驶的车路协同技术，旨在通过扩大感知范围，提高感知准确性和降低响应时间改善交通安全和效率；通过分析功能特性，分类和开发模拟系统来验证该技术的可靠性和可信性。

Jul, 2022

开发了一种模拟框架，使用深度学习感知和控制算法来测试现代自动驾驶系统，通过自适应重要性采样方法来估计基于标准交通行为的意外概率，相对于蒙特卡洛抽样，可以提速 2-20 倍，并且比真实道路测试快 10-300 倍（P 为处理器数量）。

Oct, 2018

以自动驾驶为背景，综述了现有的集体感知数据集，并分类分析了基于不同标准如传感器模式、环境条件和场景多样性的车车及车基础设施数据集，旨在确定数据集的关键标准和呈现其优势、缺陷和异常，最终针对集体三维物体检测、跟踪和语义分割提供了推荐。

May, 2024

该论文分析了自动化驾驶功能中预测系统的主要限制，探讨了未来物理测试程序中需要考虑的实际行动和建议。

Apr, 2022