本论文综述了使用机器学习的端到端方法对全自动驾驶进行的实验和研究，讨论了输入和输出模态、神经网络架构和评估方案，着重关注了可解释性和安全性这两方面的挑战，并提出了一种将端到端自动驾驶系统中最有前途的元素结合在一起的架构。

Mar, 2020

本研究提出基于深度神经网络的端到端学习自动驾驶系统 SuperDriver AI，该系统学习来自经验丰富的人类驾驶员的驾驶行为和政策，采取驾驶操作并确保路面安全。实验结果表明，该系统在真实行驶场景下运行良好。

May, 2023

使用 GTA-V 虚拟环境生成 480,000 高速公路驾驶标注图像，训练 CNN 检测基本自动驾驶所需的跟驰距离、车道标线和驾驶角度。使用 Unity-lift 的 PVE 重新创建罕见但关键的转角情况，以重新训练和加强机器学习模型，并理解当前自驾模型的局限性。

Dec, 2017

使用卷积神经网络实现端到端的无人驾驶系统，自动学习所需处理步骤的内部表示，以及如何检测车道等相关功能优化，最终将导致更好的表现和更小的系统

Apr, 2016

该论文综述了端到端自动驾驶技术的最新发展和相关挑战，并探讨了其在实际应用中的重要性和潜在风险。

Jul, 2023

通过强化学习教练，我们的端到端自主驾驶智能体实现了与人类专家水平接近的表现，其能够通过鸟瞰图像实现连续的低级别操作，提供可靠的监督信号，从而在 NoCrash-dense 基准测试和 CARLA LeaderBoard 公共路线方面达到了最先进的性能。

Aug, 2021

本文提出了一种基于深度强化学习、高保真的物理模拟和课程进展奖励的学习系统，用于 Gran Turismo Sport 自动汽车竞赛，并在超过 50,000 名人类玩家数据集中，实现了超越自带 AI 和人类最快驾驶者的自主赛车性能。

Aug, 2020

研究利用深度强化学习提出了一个用于自动驾驶的框架，其中包含了包含循环神经网络的信息集成和关注模型用于减少嵌入式硬件的计算复杂度，并在 TORCS 仿真器中验证了其自主操纵能力

Apr, 2017

本文提出了一种基于高层指令输入的条件性模仿学习方法，使得经过训练的车辆在测试时间内仍然能够遵循导航指令，本文在仿真实验和机器人卡车实验中对各种条件性模仿学习架构进行了评估和实践。

Oct, 2017

综述了近期基于机器学习的技术，包括但不限于目标检测、轨迹预测与强化学习，以及对其进行分类和研究趋势，同时指出了该领域的挑战和未来研究方向。

Aug, 2023