通过利用激光雷达技术与数据融合算法，实现车路协同的共享与组合，提高自动驾驶系统的感知范围、补充盲区、提高感知精度，以促进自动驾驶技术的发展并实现车路一体化。同时，设计测试场景，证明了车路协同自动驾驶与单车自动驾驶相比的优势。

Aug, 2022

自动驾驶车辆的安全过马路是智能城市中需要解决的重要问题。本文介绍了一种多传感器融合方法，用于支持由自主轮椅和具备多样化和冗余组件的飞行无人机组成的系统中的过马路决策。为此，我们设计了一个基于可解释的物理条件的分析危险函数，通过单个传感器评估这些条件，其中包括使用机器学习和视觉技术的传感器。作为概念证明，我们在实验室环境中进行了实验评估，展示了使用多个传感器的优势，这可以提高决策准确性并有效支持安全评估。我们将数据集提供给了科学界，以进行进一步的实验。这项工作是在一项名为 REXASI-PRO 的欧洲项目的框架下开展的，该项目旨在为行动不便的人们的社交导航开发可信赖的人工智能。

Mar, 2024

该研究提出了一种名为 SIWNet 的深度学习回归模型，能够从摄像头图像中准确估计道路表面摩擦特性，该模型在网络中引入了一个额外的头部来估计预测区间，通过最大似然损失函数进行训练。研究结果表明，SIWNet 的预测区间估计功能良好，并且与之前的最先进模型在点估计准确度上相当，而且 SIWNet 的架构比之前的模型轻量化了几倍，更加适合实际部署和高效使用。

Oct, 2023

本论文研究了用于自动驾驶的车路协同技术，旨在通过扩大感知范围，提高感知准确性和降低响应时间改善交通安全和效率；通过分析功能特性，分类和开发模拟系统来验证该技术的可靠性和可信性。

Jul, 2022

通过改进标注流程和提出的分类体系，我们训练了一个深度学习模型来识别室外天气和危险的路况，从而实现对新情景和环境的快速反应。我们在 F1 得分上相对于基线模型提高了 16%，同时保持了 20 Hz 的实时性能。

May, 2024

本文提出了一种考虑不确定环境模型中的运动规划方法，将可视性和交互性纳入考虑范围，在优化的运动规划器中集成应用这些条件，从而保证车辆在最坏情况下避免碰撞。

Oct, 2018

使用基于深度强化学习（DRL）算法控制的基于相机的交通灯系统以及无人机（UAVs）的 AVARS 系统，在都柏林模拟中验证，通过经济部署 UAVs 以应对意外交通拥堵，能够在 UAV 的典型电池寿命内有效恢复都柏林的交通拥堵至原始无拥堵水平。

Sep, 2023

本文调查研究自动驾驶汽车的安全性保障问题，重点关注控制架构、风险评估与管理策略、基于人工智能和基于模型的方法的研究，并探讨了安全保障技术和安全框架的标准化 / 概括方法。

May, 2023

自动驾驶汽车技术快速发展，对道路交通安全产生了重大影响，同时也解决了多种复杂的交通问题。为了确保自动驾驶汽车之间以及自动驾驶汽车与人类驾驶员之间的合作互动，本研究提出了一个多阶段的方法，采用共享和关怀的车对车通信策略来加强协同行为。通过进行一项调查来验证自动驾驶汽车的驾驶性能，并可用于一个混合交通案例研究，重点研究人类驾驶员如何对待与他们同时驾驶在同一条道路上的自动驾驶汽车。研究结果表明，采用深度强化学习，自动驾驶车辆获得了接近人类驾驶性能的驾驶行为。在自动驾驶汽车网络中采用共享和关怀的车对车通信可以提高其驾驶行为，促进更有效的行动计划，并增进自动驾驶汽车之间的合作行为。调查结果显示，无法保证混合交通中的安全性，因为我们无法控制人类驾驶员出于自我的行为，如果他们决定与自动驾驶汽车竞争。因此，本研究倡导加强对自动驾驶汽车在公共道路上安全融入的研究。

Dec, 2023

基于无人机拍摄的图像，提出一种基于深度学习的视觉方法来自动识别跑道和滑行道面的缺陷，利用合成与实际图像训练模型能在真实应用场景中取得更好的结果。

Jan, 2024