一种基于规则的自动驾驶行为规划器
本研究证明了如何将基于规则的决策与传统的运动规划技术相结合，以在复杂交通环境中实现类似人类行为的自动驾驶。通过提供和讨论自主驾驶中的决策规则示例，进一步说明了为机器人开发空间意识的技术是一个值得更多关注的激动人心的活动。
Aug, 2023
本文提出了一种基于预测的深度强化学习决策模型，考虑了周围车辆的操作意图，并使用真实交通数据进行训练。经过模拟测试，结果表明和基于深度强化学习的模型相比，该模型在复杂的高速公路驾驶场景中提高了决策性能，从而减少了碰撞数量，实现了更安全的驾驶。
Sep, 2022
本文介绍了一种分层的模仿学习方法，包括一个高层次基于网格的行为规划器和一个低层次的轨迹规划器来增强神经网络的可靠性和稳定性。该方法可以被嵌入到基于规则的架构中，且在封闭回路仿真和实际驾驶测试中表现卓越，特别适用于复杂的城市自动驾驶场景。
Mar, 2023
该论文介绍了一种定义自主体所需行为的新方法 ——“规则书”，包括一系列 “规则”，每个规则类似于对可能结果（“实现”）的违规度量，并通过优先级部分排序。通过规则书的语义，我们可以对实现的集合施加预排序，研究了规则书的组合特性，并得出了如何在规则书上进行操作以保留先前引入的约束条件。尽管我们在自动驾驶领域展示了这些技术的应用，但这些方法是领域无关的。
Feb, 2019
自主车辆在交通中需要与人类驾驶员互动来完成任务，因此装备自主车辆具备人工推理以更好地理解周围交通的意图，从而促进任务完成。本文提出了一种行为模型，将驾驶员的互动意图编码为潜在的社会心理参数，并设计了基于贝叶斯滤波器的递进视界优化控制器以考虑互动驾驶员意图的不确定性，同时采用基于注意机制的神经网络架构来模仿行为模型和在线估计参数先验，并提出决策树搜索算法在线解决决策问题。本文对所提出的行为模型进行了真实世界轨迹预测能力的评估，并在模拟环境和真实世界交通数据集中进行了强制公路合并场景的决策模块的广泛评估，结果表明我们的算法能够在各种交通条件下完成强制合并任务并确保驾驶安全。
Oct, 2023
综述了深度学习在自动驾驶车辆行为预测中的应用及其性能，针对输入表征、输出类型和预测方法等三个方面对最近的深度学习解决方案进行分类和审视，并探讨了研究中的差距和潜在的新的研究方向。
Dec, 2019
本文提出了一种基于模块化架构的学车任务分解方法，在障碍感知、目标预测和规划方面均取得了优秀的方法，并在 CARLA 模拟器上实现了最新的优秀结果。
Dec, 2022
本文介绍了 “道路规则顾问”（RoTRA）的体系结构和设计，它将人类级别的规则转化为自动驾驶汽车可执行的建议和可能操作，可以遵循道路规则并提供外部自动化责任机制。该系统的使用可以适应不同司法管辖区的不同法规，提供了从规则到行为的可跟踪性，并通过模拟自动驾驶汽车的行为，让公众和司法机构更容易信任车辆制造商。
Sep, 2022