整合动力学知识与神经随机微分方程，基于一种新颖的潜在动力学感知 (SDE) 变分自编码器（LK-SDE），用于生成车辆运动的方法，在生成和预测任务中表现出明显优于基准方法的性能，产生逼真、物理可行且精确可控的车辆轨迹。

Sep, 2023

S-NeRF++ 是一种基于神经重建的创新自动驾驶仿真系统，它能够生成大量具有高渲染质量的逼真街景和前景物体，并具有灵活的操作和模拟能力。通过使用质量较高的仿真数据，我们发现感知方法在几个自动驾驶下游任务上享受了性能提升，进一步证明了我们提出的仿真器的有效性。

Feb, 2024

提出了一个新的端到端自动驾驶范式，自动驾驶的关键在于预测自车和周围环境随着时间的演变，通过生成建模问题通过 GenAD 框架，模型了自动驾驶问题，并在广泛使用的 nuScenes 基准测试中取得了高效的最新成果。

Feb, 2024

本研究提出一种自动驾驶架构，利用生成式人工智能在模拟中合成无限的特定条件交通和驾驶数据以提高驾驶安全性和交通效率，并通过多任务增强式拍卖机制为道路侧单元提供精细的资源激励。

Feb, 2023

通过混合模拟器和现实世界的数据，SimGen 模型能够学习生成具有多样性的驾驶场景，通过新颖的级联扩散管道解决了模拟到真实世界之间的差距和多条件冲突，并在保持可控性的基础上，获得卓越的生成质量和多样性。

Jun, 2024

本文提出了一个名为 SceneGen 的神经自回归模型，可自动地生成真实交通场景，该模型可用于训练和测试自动驾驶车辆的感知模型。

Jan, 2021

本论文提出了一个用于自动驾驶性能验证的仿真器 TrajGen，该仿真器基于自然驾驶数据进行强化学习，可以直接从人类演示中捕捉更真实的行为，并生成可靠而多样的行动轨迹来评估仿真场景中的性能表现。

Mar, 2022

该论文提出了一种基于单目标注视频训练神经模型的框架，创造了一个可学习的游戏引擎，通过对游戏中的场景、物体和角色的建模，实现了高质量环境的渲染，并且利用语料库的大量文本训练的游戏 AI，使得玩家可以通过设定高低级别的动作顺序，进行高级控制和指挥，实现了在游戏之外的导演模式，其性能显著优于现有的神经视频游戏模拟器。

Mar, 2023

通过离散序列建模方法，我们研究了自动驾驶开发中模拟基于记录驾驶日志的动态驾驶场景的挑战。使用简单的数据驱动分词方案，将轨迹离散化到厘米级分辨率，并采用类似 GPT 模型的编码器 - 解码器来建模车辆、行人和骑车人在驾驶场景中的互动。通过在模型中抽样场景，我们展示了该模型具有最先进的真实性，且在 Waymo Sim Agents Benchmark 上超越先前的工作，其中真实性值成功提高了 3.3%，与其他模型相比，互动度提高了 9.9%。我们还在完全自动驾驶和部分自动驾驶环境中分析了我们的建模选择，并展示了我们的模型学到的表示可以快速适用于改进 nuScenes 的性能。此外，我们还对模型的参数数量和数据集规模进行了可扩展性评估，并利用模型得出的密度估计量化了上下文长度和时间间隔内交互对于交通建模任务的重要性。

Dec, 2023

具有结构感知能力的 Lane Graph Transformer (LGT) 模型将地图拓扑结构编码到注意力机制中，以精确预测自动驾驶车辆周围车辆的未来轨迹。对 Argoverse 2 数据集进行的实验结果表明，与基准模型相比，所提出的 LGT 模型在预测性能上显著提高，minFDE$_6$ 指标下降了 60.73%，b-minFDE$_6$ 指标下降了 2.65%。消融实验进一步验证了地图拓扑结构的考虑对模型的有效性，b-minFDE$_6$ 指标下降了 4.24%。

May, 2024