自动驾驶车辆的编队技术有潜力提高公路上的安全性和燃油效率。本论文介绍了一种用于学习分布式稳定安全控制器的算法，该算法依赖于最近在神经网络稳定性和安全证书方面的发展。通过在仿真和 100 辆车的编队中评估，实验结果表明了该算法和学习控制器的实用性，通过与线性反馈和分布式模型预测控制器的性能进行比较。

Apr, 2024

通过车辆之间的协作自主驾驶和车辆间通信，以车队行驶为应用场景，在城市环境中使用深度强化学习和物理模拟技术，实现了交通流量和安全的提升。

Dec, 2023

本文针对自动驾驶代理的封闭式训练提出了一种新方法 —— 轨迹价值学习 (TRAVL)。采取多步预测进行规划，同时利用虚拟数据进行有效学习。实验证明，TRAVL 相比于其他模型，能够更快地学习并产生更安全的机动操作。

Jun, 2023

本文针对包含机器学习组件的自动驾驶系统，提出了一个测试框架，利用测试用例生成和自动实现方法进行评估，并演示了如何使用覆盖数组等测试用例生成方法以及需求实现方法来自动识别问题情景，从而提高自动驾驶系统的可靠性。

Apr, 2018

通过耦合的偏微分方程和常微分方程模型，本研究着眼于发展针对车队控制的 Dyna 式计划和学习框架，旨在减少燃料消耗，模拟结果验证了我们宏观模型在混合自治设置中建模车队的有效性，与传统方法相比，燃料消耗明显减少了 10.11%。

May, 2024

该论文介绍了一种基于博弈论的交通模型，该模型可以用于测试、比较和校准各种自主车辆决策和控制系统，并提供了一个交通仿真环境来优化自主车辆控制系统的参数。

Aug, 2016

本文提出了第一个基于机器学习的自动驾驶闭环规划基准测试，介绍了一个数据集、模拟器和规划特定度量的框架。数据集包含来自美国和亚洲四个城市的 1500 小时的人类驾驶数据，模拟器使用反应性代理程序，提供了大量的通用和特定场景的规划度量。

Jun, 2021

该论文旨在综述智能车辆的规划方法，介绍了管道规划和端到端规划方法，并探讨了挑选算法和训练方法的不同考虑因素以及当前的挑战和未来方向。

Mar, 2023

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

机器学习已在自动驾驶的感知和预测任务中取代了传统的手工方法，但在规划任务中，基于机器学习的技术采纳速度较慢。本文介绍了世界上第一个真实世界的自动驾驶数据集和基准测试，旨在测试基于机器学习的规划器处理多样化行驶场景并做出安全高效决策的能力。数据集包括 1282 小时来自 4 个城市（拉斯维加斯、波士顿、匹兹堡和新加坡）的多样化驾驶场景，并且具有高质量的自动标记的物体轨迹和红绿灯数据。除了数据集之外，还提供了一个模拟和评估框架，使规划器的行动可以在闭环中模拟，以考虑与其他交通参与者的交互。该研究详细分析了多个基准测试，并研究了基于机器学习和传统方法之间的差距。在 nuplan.org 网站上可以找到 nuPlan 数据集和代码。

Mar, 2024