本研究通过使用随机森林和深度神经网络来设计一个车辆的横向控制器，并通过预测和控制其信心 / 不确定性来处理它在操作中的不确定性和保证操作安全性，而相对于深度神经网络，基于随机森林的控制器在极少量标记数据的条件下具有更好的泛化能力，并能够在另一个类似的赛道上驾驶，即使在深度神经网络控制器无法驾驶的情况下，同时设置阈值，当控制器不安全时可采取适当的控制措施。

Mar, 2023

本论文提出了一种基于最先进的模拟器的框架，以评估端到端 Bayesian 控制器，实验评估了不同场景下用于避碰的不确定性计算的质量并表明不确定性估计可大大帮助自动驾驶车辆的决策。

Sep, 2019

本文提出了一种利用特征映射相关性估计不确定性的贝叶斯神经网络用于端到端控制，该方法在传统元素级 dropout 方法上实现了更好的模型拟合和更紧密的不确定性估计。

May, 2018

使用 MC-Dropout 和 Bootstrapping 方法来提高安全驾驶机器人的模型稳定性，实现在未知数据情况下的碰撞回避。

Oct, 2018

本文讨论了 Deep Neural Networks 在自动驾驶领域中的应用，提出了一种实时提取不确定性量化度量的方法，并使用此方法预测了潜在的崩溃事件。

Nov, 2018

本文介绍了一种基于多传感器的变分神经网络方法，用于预测驾驶员车辆的未来轨迹分布。该方法能够处理不确定的情况，并且可以与物理学预测器相结合，提高整个系统的性能。经实验证明，我们的方法可将物理学模型的预测误差提高 25％，同时以 82％的准确度成功识别不确定情况。

Jan, 2019

提出了一种用基于贝叶斯信任网络和蒙特卡罗采样的方法来对神经网络进行不确定性估计，这个方法具有与神经网络结构和任务无关，不需要优化进程的更改，能够应用于已经训练好的结构，有效地提高了准确性。

Jul, 2019

提出了一种满足安全性和实时性约束，利用贝叶斯模型学习和随机 CLFs、CBFs 控制框架的深度神经网络模型不确定性学习的方法，并在高速行进的火星车任务中进行了演示。

Oct, 2019

研究了使用贝叶斯神经网络中的可学习不确定性来训练预测过程监控模型，以预测剩余时间和结果，并得出结论认为这种不确定性估计可以区分更精确和不太精确的预测，从而提高了用户对于这种预测系统的信心，在合作和以较小的数据集进行更早的实施方面具有潜在的可应用性。

Jun, 2022

本文介绍了一种方法，通过对 BDL 组件之间的不确定性和相互作用进行考虑来捕捉整个系统的不确定性，实验表明，该方法既能够捕捉有用的不确定性估计，同时又略微提高了自主航空导航系统的性能。此外，我们还讨论了采用 BDL 构建可靠自主系统的好处、挑战和影响。

Jan, 2023