本论文介绍了一种名为SafeDAgger的基于DAgger算法的自动驾驶智能学习方法，能够有效地减少对参考策略的查询次数，加快收敛速度。
May, 2016
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
通过使用注意力模型来提高CARLA驾驶模拟器的性能，同时通过模仿学习训练代理人来解释自动驾驶中深度学习无法解释的决策问题。
Jun, 2020
本文表明，来自真实世界图像的自监督视觉预训练对于从像素学习运动控制任务是有效的；为了加快像素学习的进展，本文还贡献了一套手工设计的基准任务，其中包括运动、场景和机器人等方面的变化。通过防冻度量的视觉编码器和强化学习，我们实现了与带标签、状态估计或专家演示相比高达80%的绝对成功率，有时甚至能与理论最好状态匹敌；还发现，来自YouTube或自我中心视频等野外图像，对于各种操作任务的视觉表现比ImageNet图像更好。
Mar, 2022
介绍了SelfD，一个利用海量在线图片的可扩展驾驶学习框架，使用半监督训练来从未标记数据中学习后效代理。通过利用伪标记步骤进行数据增强，SelfD表现出可靠的驾驶性能，无需额外的数据收集或注释工作。
Apr, 2022
本文提出了一种名为PPGeo的全自监督框架，通过对大规模不加标定、未标注的YouTube自驾视频建模，学习有关 visuomotor driving 的方针表示，从而解决样本不足和决策信息过剩等问题，并在多方面挑战性场景下取得了较大的改进。
Jan, 2023
通过构建大规模点云数据集，将点云预训练任务形式化为一种半监督问题，并从这样多样化的预训练数据中学习可推广的表示，从而在多个基准模型和基准测试中取得了显著的性能增益。
Jun, 2023
研究论文介绍了一种新颖的自监督视频策略，通过Temporal-DINO方法在行动预测方面取得了显著改进，提高了背景骨干网络捕捉长期依赖性的能力。
Aug, 2023
该论文提出了第一种无监督学习框架 self-supervised imitation learning (SSIL)，该框架可以在没有使用驾驶命令数据的情况下学习 E2E 驾驶网络，并且与监督学习对照组具有可比较的 E2E 驾驶准确性。
本文提出了一种基于多阶段视觉Transformer的多任务学习代理，通过传播车辆状态和环境表示作为Transformer的特殊令牌，并从不同角度解决了惯性和离线与在线性能之间的低相关性问题。在实验中，我们观察到惯性显著减少，并且离线和在线指标之间有很高的相关性。
Oct, 2023