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

本文提出了使用最新的强化学习算法进行端到端驾驶研究，仅使用来自前置摄像头的 RGB 图像，通过异步演员 - 评论家 (A3C) 框架在真实的赛车游戏中学习车辆控制，并在不同的道路结构、图形和物理特性下进行评估。结果表明本方法可以快速收敛和更稳健的驾驶，同时在看不见的赛道上和法定车速下进行了广义化证明。同时，我们的方法在实际影像序列上显示出一定的领域适应能力。

Jul, 2018

该研究使用强化学习算法开发和训练了一个代理机器人，在模拟环境中利用激光和速度数据导航赛车，并在真实赛车场景中进行了实验评估，展示了强化学习算法在提高自主驾驶赛车性能方面的可行性和潜在优势。

Sep, 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

本文研究基于深度学习和强化学习方法的视觉自主驾驶技术，提出了一种将视觉控制系统拆分为感知模块和控制模块的方法，并针对数据效率提出了基于 TORCS 的深度强化学习模拟环境。实验结果表明，感知模块表现良好，控制器实现了对车辆的良好控制。

Oct, 2018

提出了一种基于游戏的端到端学习和测试框架，通过学习人类驾驶技能，利用 Grand Theft Auto V (GTA V) 游戏中的图像预测车辆的操控值，以实现高速公路驾驶的自主车辆。

Apr, 2024

本文提出了一种基于视觉的自主行驶系统的训练方法，通过两个阶段的训练，先使用有特权的信息训练代理，再使用纯视觉信息训练传感器驱动代理，最终取得了在 CARLA 基准和 NoCrash 基准测试中的优异成绩。

Dec, 2019

DeepRacer 是一个用于 RL 端到端实验的平台，可以用来系统地研究智能控制系统开发中的关键挑战。该平台的应用展示了如何使用 RL 和单眼摄像头来训练 1/18 比例的小车自主学习驾驶，尤其展示出了一个能够通过使用原始相机图像观察和无模型学习方法执行鲁棒路径规划的机器人控制代理的 RL 算法。

Nov, 2019

探索利用深度强化学习（RL）进行端到端控制的无人驾驶车辆在自主 FS 赛车比赛中的应用，并展示了该方法在模拟环境和实际赛道上的成功应用。

Aug, 2023

本研究旨在利用深度确定性策略梯度算法来应对自主驾驶中复杂的状态和行动空间，我们选择 The Open Racing Car Simulator (TORCS) 来模拟实验环境，并选择适宜的传感器信息设计奖励机制并建立 DPPG 模型，实验结果表明模型在多种场景下均取得了良好的效果。

Nov, 2018