采用生成式对抗模仿学习模型训练递归策略, 提高了人类驾驶行为仿真在智能交通系统应用中的准确性,具有较高的实用性。

Jan, 2017

通过模拟驾驶场景来验证自主车辆的安全性，GAIL可学习到具有代表性的人类驾驶模型，但在多主体驾驶情境中存在困难，我们通过基于课程学习的参数共享方法扩展GAIL以解决这些缺点，PS-GAIL方法生成的策略在多主体设置下表现优异且能够捕捉人类驾驶员的紧急行为。

Mar, 2018

本文提出一种通过学习真实世界中的驾驶示范数据来学习神经驾驶策略的方法，并使用广义博弈对抗模型进行智能驾驶行为生成，同时介绍了解决多智能体驾驶建模中存在的问题的多智能体模型，并描述了奖赏信号修正的 reward augmented imitation learning (RAIL) 和 Burn-InfoGAIL 对潜在变化因素进行解耦的方法。在 NGSIM 实验数据集上，成功地模拟了高速公路上的驾驶行为。

Jun, 2020

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

本研究针对自主车辆计划模块中模仿学习（IL）规划器的样本效率和泛化能力低的问题，提出了基于样条系数参数化和离线专家查询的IL模型来提高安全性和训练效率，并通过生成关键场景和使用 DRF 进行连续训练，证明其在资源利用效率上的优越性。

Oct, 2022

使用MGAIL在密集城市自动驾驶方面进行了第一次大规模应用，通过使用分层模型和经过现实汽车采集的经验轨迹进行性能度量，并结合闭环MGAIL损失和开环行为克隆损失实现了稳健的导航策略。

Oct, 2022

利用反向正则化混合离线-在线强化学习模型同时学习真实世界和模拟数据来生成自动驾驶测试场景，实现更高效的AV测试和更准确的风险评估。

Feb, 2023

该研究旨在利用深度强化学习来创建人类行为类似的背景车辆，从而评估自动驾驶汽车的智能表现，并提出了一个包括安全、驾驶效率和交互效用的框架，用于评价和量化三个系统的智能绩效。

Jun, 2023

针对自动驾驶汽车在处理长尾分布的驾驶场景中的罕见但关键问题时面临的障碍，本文采用对抗生成方法并使用Stackelberg驾驶模型以及领导者-追随者建模来有效地生成安全关键场景，并实现自动驾驶策略的持续改进，从而在高维场景中取得了优于基准方法的性能，不断生成越来越具有挑战性的场景，推动自动驾驶汽车能力的进一步发展。

Sep, 2023

通过对环境增强的方式，本文研究了一种用于安全端到端驾驶的闭环对抗训练框架（CAT），通过训练代理程序处理动态生成的安全关键场景，以持续提高驾驶代理的安全性能。实验结果表明，经过CAT训练后，代理程序在回放日志和安全关键交通场景中能够实现卓越的驾驶安全性。

Oct, 2023