本文提出了一种先进的驾驶辅助系统，通过使用相机和计算设备，捕捉车辆内外的驾驶环境并使用自回归输入-输出 HMM 模型来预测驾驶员的驾驶操作，实现在真实环境下3.5秒内实时预测驾驶操作，达到 F1 得分超过80%。

Apr, 2015

本研究提出了一种基于可观察信号的驾驶员接管准备度的数据驱动方法，使用自动驾驶汽车上的空间视觉感知器，通过主体评级建立驾驶员接管准备度的可观测度指标（ORI），并借助LSTM模型连续估计驾驶员的ORI。

Nov, 2018

本文提出了一种基于最大熵深度逆强化学习（MEDIRL）的方法，用于预测事故易发情况下驾驶员的视觉注意力；介绍了EyeCar，一种新的记录事故情况下驾驶员的注意力数据集；通过在三个常见基准测试（DR(eye)VE，BDD-A，DADA-2000）和EyeCar数据集上的全面实验，结果表明MEDIRL在预测注意力方面优于现有模型，并获得了最先进的表现；提供了详细的消融实验，以更深入地了解我们提出的模型的不同特征。

Dec, 2019

DeepTake使用深度神经网络预测司机在自动驾驶状态下的控制接管意向、时间和质量，并在96％，93％和83％的准确度下表现出可靠性，结果表明DeepTake在预测司机接管时间和质量方面优于以往的方法，这对驾驶员监控和状态检测的算法开发具有重要意义。

Dec, 2020

本文介绍了基于多个摄像头视角的手部和眼部位置信息学习驾驶员状态以实现流畅自动转手动驾驶控制转换的模型，并提出了评估转换质量的指标，即最大横向偏差和速度偏差以及其与预测指标的相关性。

Jan, 2023

该研究提出了使用主动推理的一种新型车辆跟随建模方法，该方法具有与数据驱动的模型相当的行为灵活性，同时保持可解释性。通过基准分析，该模型被证明可以显着地预测驾驶控制，并表明需要进一步研究以建立行驶风格并利用更多样化的数据集进行模型训练。

Mar, 2023

本文提出一个新的综合数据集，重点集中在超车操作上，同时回顾了自主驾驶技术的现状以及现有数据集的局限性并提出了一组新的特征集。

May, 2023

通过组合头部姿势特征和眼动数据，该研究综合分析了驾驶员准备就绪评估的有效性，采用机器学习技术和双向LSTM架构模拟了驾驶员准备就绪状态，实现了在DMD数据集上的优异评估性能。

Jan, 2024

通过多次实验，我们使用先进的风险基础预测轨迹规划器对预测范围最长为20秒进行了模拟，以安全性、舒适性和效率为重点研究自动驾驶车辆的性能。我们的研究指出，为了防止与行人相撞，需要1.6秒的预测范围，7-8秒的预测范围可以实现最佳效率，而15秒的预测范围可以提高乘客的舒适度。我们得出的结论是，预测范围的要求是应用相关的，并建议在涉及与行人相撞的应用中，以11.8秒的预测范围作为一般指导。

Feb, 2024

该研究介绍了德国AVEAS研究项目的中间结果，该项目旨在开发用于高级驾驶辅助系统和自动驾驶的虚拟验证和验证的真实世界数据的方法和度量，并建立遵循FAIR原则的在线数据库。

May, 2024