通过预先输入的 2D 地下停车场结构计划，本研究提出了一种自动生成具有不同难度级别的 3D 地下车库模拟场景的方法。

Oct, 2023

自动驾驶技术包括五个级别，从 L0 到 L5。当前只能实现 L2 级别（部分自动化），达到最终的 L5 级别（全自动化）还有很长的路要走。跨越这些级别的关键在于训练自动驾驶模型。然而，仅依靠实际道路数据训练模型远远不够且消耗大量资源。尽管已经有通过模拟器训练自动驾驶模型的例子，但这些场景需要完全手动构建。直接从道路网络格式转换 3D 场景将缺乏大量细节，无法作为训练集使用。地下停车车库静态场景模拟被视为程序化内容生成（PCG）问题。本文将使用 Sarsa 算法解决地下车库结构的程序化内容生成。

Jul, 2023

本研究通过使用 CARLA 的仿真平台，创建了基于实际情况的停车场模型以收集数据，然后用占据格网络处理该数据以预测车辆路径和障碍物，从而增强自主驾驶系统在复杂室内环境的感知能力，最终提高自主停车操作的安全性。研究结果表明，所提出的策略成功地提升了自主车辆在这些复杂室内环境中的性能，为未来进一步的发展和应用奠定了基础，并弥补了关于室内停车环境的研究不足，成为一个重要的参考点。

Jul, 2024

使用现代化驾驶模拟器，提出检测和生成测试方案的有效机制，通过量化方案复杂度的度量标准来定义基于避免事故的复杂度度量标准，并对未来的自动驾驶车辆进行改进提供了洞见。

Mar, 2021

自主车辆需要行驶超过 110 亿英里以确保其安全性。因此，在进行真实世界测试之前进行模拟测试的重要性是不言而喻的。近年来，以 Carla 和 CarSim 为代表的自主驾驶三维模拟器的发布，标志着自主驾驶模拟测试环境从简单的 2D 俯视图过渡到复杂的三维模型。本论文提出了一个基于深度强化学习的自动生成程序的框架，该框架可以生成不同的二维地面脚本代码，用于构建三维模型文件和地图模型文件。生成的三维地面场景在 Carla 模拟器中显示，实验者可以使用该场景进行导航算法模拟测试。

Jul, 2024

本论文提出了一种新方法，通过模拟自动驾驶汽车感知和预测系统的输出，以可靠地进行运动规划测试，从而取代传统的昂贵且具有较大领域差距的传感器模拟。我们使用真实感知和预测输出与标签数据进行训练，从而预测在线系统的输出。此外，我们的方法以高清地图、边界框和轨迹为输入，可由测试工程师轻松手绘几分钟，这大大提高了可扩展性。通过两个大型数据集的定量实验结果表明，我们可以实现通过模拟来进行现实测试的全面方法。

Aug, 2020

本文介绍了 AdvSim，这是一个对任何基于 LiDAR 的自主系统生成安全关键场景的对抗性框架，通过直接从传感器数据模拟获取针对全自主栈的安全关键场景。

Jan, 2021

该论文提出了一种基于强化学习的方法来表征自主车辆 (LiDAR) 感知系统在恶劣天气条件下的故障，通过物理学数据增强技术引入干扰来探测跟踪和轨迹预测中的潜在故障。实验表明，与基线相比，我们提出的方法在较小输入干扰的情况下，发现高概率故障，同时保持了可计算性，被发现的故障可以为未来的自主驾驶感知系统的开发提供参考。

Mar, 2022

自动泊车系统中加强环境感知一直是一个困难的任务，但是通过协同感知可以扩大车辆的视野，本文提出了一种基于 BEV 特征的协同感知网络架构，通过将道路边缘摄像机和激光雷达与车载传感器融合，有效地压缩 BEV 特征图的大小以适应 NR-V2X 网络的数据速率。通过合成的 AVP 数据集，我们观察到协同感知可以有效地提高感知性能，特别是对于行人。此外，在两种典型的安全关键场景中展示了基础设施辅助式协同感知的优势，在这两种场景中，最大安全巡航速度提高了 3m/s。

Mar, 2024

开发了一种模拟框架，使用深度学习感知和控制算法来测试现代自动驾驶系统，通过自适应重要性采样方法来估计基于标准交通行为的意外概率，相对于蒙特卡洛抽样，可以提速 2-20 倍，并且比真实道路测试快 10-300 倍（P 为处理器数量）。

Oct, 2018