利用 TrafficSim 模拟真实的自动驾驶系统中的多智能体交通模型，以更多样化的人类演示数据为基础，生成人类社交一致的行驶计划，生成更真实、更多样化的交通场景，可作为训练更好的运动规划员的有效数据增强。

Jan, 2021

针对自主驾驶中手工制定决策规则的困难，利用易于收集的人类驾驶数据学习行为的能力，同时结合计算机视觉的语义、几何和运动表征，提出了一种基于条件模仿学习的端到端方法，使自动驾驶车辆能够在城区中跟随用户指定的路线，具备横向和纵向控制能力，并且在欧洲城市街道上行驶了 35 公里的新路线。

Nov, 2019

本研究使用参数共享对抗逆强化学习模型，将交通仿真视为一个逆强化学习问题，并且能够在实际环境中模拟出车辆轨迹，同时还能够恢复反映车辆真实目标的奖励函数，与现有方法相比，在多样化的实际交通环境中表现出卓越的性能和稳健性。

May, 2021

使用闭环模拟学习方法 RTR，在模拟和真实数据集中训练交通仿真策略，以提高交通规则遵守性和仿真的真实性。

Nov, 2023

自主驾驶车辆和数据驱动交通仿真的评估指标的综述与分析，探讨了自主驾驶车辆的性能验证挑战以及未来研究的方向。

Oct, 2023

本研究探讨了在高密度交通条件下，通过应用模仿学习算法，对未来自动驾驶车辆实现控制策略和现实限制的协调，以提高网络能效，结果显示该算法能通过仅使用本地观测数据，提高交通网络能效达 15%。

Jun, 2022

本研究基于自组织微级控制与强化学习及基于规则的行动选择，利用代理模型和模拟来研究城市交通流的紧密关联和效率提升，通过环境传感器的本地感知进行个体决策和改变路线，以增加行程的效率，缩短道路长度和旅行时间。

Feb, 2022

ImInGAIL 框架通过结合数据插值和模仿学习的行为学习过程来解决从稀疏实际数据中学习模拟驾驶行为的问题，并在合成和实际驾驶车辆轨迹数据集上取得了优于其他基线方法和现有技术的表现。

Mar, 2021

本文提出了一种利用深度神经网络建模驾驶安全体验的简单的端到端可训练式机器学习系统，可以用于验证自动驾驶系统的性能，而无需进行昂贵且耗时的道路测试。

May, 2021

使用基于模型的模仿学习方法来提高自主驾驶的动作规划，该方法利用 3D 几何形状作为归纳偏差并从专家演示高分辨率视频中直接学习高度紧凑的潜在空间。该模型被训练于城市驾驶数据的离线语料库中，是首个在城市驾驶环境中只使用相机模拟出静态场景、动态场景和自我行为的模型。

Oct, 2022