本文提出一种新的端到端解决方案，通过识别驾驶车辆在每个方向上最近的障碍物，用于计算最近障碍物的距离，并将其合并到统一的端到端架构中，实现联合物体检测、路缘检测和安全可驾驶区域检测，最终通过相机为基础系统和3D对象检测来在停车和行驶模式下实现这些目标的潜力。

May, 2018

该研究论文提供了“corner case”的定义，并提出了一种既可在线使用，也可脱机筛选、重复训练机器学习算法的系统框架，该系统能够处理自然移动车辆前置摄像头的视频信号，并输出“corner case”分数。

Feb, 2019

本论文综述了使用机器学习的端到端方法对全自动驾驶进行的实验和研究，讨论了输入和输出模态、神经网络架构和评估方案，着重关注了可解释性和安全性这两方面的挑战，并提出了一种将端到端自动驾驶系统中最有前途的元素结合在一起的架构。

Mar, 2020

该研究旨在提供一个基于应用需求的自动驾驶车辆中的异常情况检测系统，主要针对机器学习、传感器模态、数据采集等应用和研究领域进行研究和探讨。

Mar, 2021

自动驾驶车辆的分布需要处理各种意外和可能危险的情况，这些情况被称为边缘情况，而这些情况也是机器学习模型的开发所需数据的重要组成部分。然而，在大规模数据集中只有有限数量的边缘情况数据，这使得它们在机器学习的背景下具有挑战性。本文旨在介绍机器可解释的边缘情况描述的挑战和目标。

Sep, 2021

该研究旨在解决传统自动驾驶中常见的物体识别偏差的问题，提出了一个具有挑战性的CODA数据集，以检测标准物体检测器的性能下降，为研究可靠的真实世界自动驾驶提供帮助。

Mar, 2022

本文通过识别异常轨迹和提出分类法等措施，阐述了车道数据分析在高度自动化驾驶中的重要性以及机器学习模型和异常案例之间的关系。

Oct, 2022

本文介绍了一种利用时间和全局信息的端到端驾驶框架——ReasonNet，其能够有效预测自动驾驶车辆在城市繁忙交通情景下的行驶逻辑，并排名领先于CARLA排行榜。

May, 2023

使用自主设计的驾驶模拟器和两个人类驾驶员来生成安全重要的极端情况，在训练中纳入这些角落情况，可以改善测试中对边角情况的识别，专家模型能够提供显著的性能和效率优势，对模型训练的时间和精力也有所减少。

May, 2023

本文系统分析了250多篇论文，涵盖了自主驾驶的动机、路线图、方法论、挑战和未来趋势，并深入探讨了多模态、可解释性、因果混淆、健壮性和世界模型等若干关键挑战，同时讨论了基础模型和视觉预训练的最新进展，以及如何在端到端驾驶框架中整合这些技术。

Jun, 2023