- 获取自动驾驶场景解释的定性可解释图
汽车自动驾驶中的鲁棒公平可解释人工智能方法的发展是其未来的基础。本文提出了一种名为 Qualitative eXplainable Graph（QXG）的汽车自动驾驶场景的新表达方法，用于对长期场景进行定性时空推理。实验证明，这种定性可解释 - 深度学习自动驾驶系统中预测和规划的集成思考：一项综述
自动驾驶有潜力彻底改变个人、公共和货物运输的机动性。通过准确感知环境并利用可获得的传感器数据，自动驾驶需要规划一条安全、舒适和高效的运动轨迹。为了提高安全性和前进步伐，许多研究依赖于预测周围交通的未来运动。模块化的自动驾驶系统通常将预测和规 - 鱼眼相机和激光雷达连续在线外部标定
所提出的算法通过使用常用的单目深度估计网络和激光雷达点云的几何距离之间的互信息作为外在校准的优化度量来不断自动更新车辆寿命周期内相机 - 激光雷达校准值，而无需校准目标、地面真实训练数据和昂贵的离线优化。
- 针对各种模拟驾驶操作的深度强化学习自动驾驶的全面培训和评估
本研究通过实现、评估和比较两种深度强化学习算法（Deep Q-networks 和 Trust Region Policy Optimization）来训练自动驾驶车辆，以及开发和应用奖励函数，并在基于模拟环境的高速公路自动驾驶训练平台中进 - 基于深度强化学习的环形交叉口安全、高效、舒适、节能自动驾驶
研究采用深度强化学习算法，设计了行驶状态、行动空间和奖励函数，评估了 Deep Deterministic Policy Gradient (DDPG)，Proximal Policy Optimization (PPO) 和 Trust - survAIval: 以 AI 之眼进行生存分析
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。
- 自动驾驶视觉感知语义分割的无监督域适应调查
本文概述了深度神经网络在自动驾驶中的应用，介绍了无监督领域自适应的多种方法和针对不同方法的现有研究，提出了该领域的最新趋势和未来方向，并鼓励科学家探索更好的神经网络泛化方法。
- 基于强化学习的行为规划与采样运动规划的自动驾驶集成
本文提出一种利用深度强化学习的自主驾驶行为规划模型，通过预测未来交通情况，将高层行为规划接口化，并通过循环规划策略进行实验验证。
- EvCenterNet: 基于证据学习的目标检测不确定性估计
本文提出了利用证据学习来直接估计分类和回归不确定性的新颖的不确定性感知的 2D 对象检测框架 EvCenterNet，旨在应用于自动驾驶等安全关键环境中，以提供有价值的信息。该方法使用证据和 Focal 损失函数的组合来处理稀疏热力图输入的 - SkyEye: 自监督鸟瞰视角语义地图的建立，使用单目正视图像
本研究提出了一种自我监督的方法，可以利用来自前方视图的单个单目图像，生成 Bird's-Eye-View（BEV）语义地图，用于自动驾驶。该方法包括两种自我监督模式：隐式监督和显式监督。实验证明，这种自我监督方法在使用较少的直接监督的情况下 - 使用事故经验和常识推理规划自动驾驶
本文介绍了一种 Automated Driving Strategical Brain（ADSB）框架，该框架包括经验引用引擎（ERE）、常识引用引擎（CIE）和目标及价值保持器（GVK），用于提高自动驾驶汽车的安全性，处理复杂场景并提供决 - 基于知识图谱的自动驾驶方法综述
本文提出了基于知识图谱和本体论的自动驾驶解决方案，涵盖了本体学习、感知、场景理解、运动规划和验证等五大主要领域，并讨论了当前的挑战和未来研究方向。
- AI 应该看到什么？使用公众的意见来确定人工智能的感知
研究使用深度学习算法来实现自动驾驶，考虑到道路中非常脆弱的对象（如行人）的安全，文章使用参与式方法进行在线调查，以确定混淆一个语义类别与另一个语义类别的代价结构，并对调查结果进行了分析和讨论。
- SynWoodScape: 自主驾驶用的合成环视鱼眼相机数据集
本文在 CARLA Simulator 中通过实现 fisheye surround-view 几何投影将 SynWoodScape 数据集扩展，为多项自动驾驶任务提供 80k 图像标注，以解决标准算法无法解决高径向畸变问题的局限性。
- CVPRCSG0: 零遗忘不断生成城市场景
本文提出了一种基于生成对抗网络的连续场景生成框架，在保证零遗忘的前提下，提高了场景生成质量，尤其适用于不断获得新数据的情境，特别是在低数据情境下具有优异性能。
- 深度域自适应激光雷达感知综述
探讨自动驾驶中的数据领域适应问题，对近年来不同的领域适应技术进行了全面的回顾并针对 LiDAR 感知提出了未来研究的有趣问题。
- 自动泊车系统中的计算机视觉：设计、实现和挑战
本文详细讨论了一个商用自动停车系统的系统性视图，并且介绍了如何结合计算机视觉算法来实现 3D 重建，停车位识别和车辆 / 行人检测等功能，以解决自动泊车场景下的一系列问题。同时，本文强调了功能安全和计算机视觉的重要性。
- 高度自动化驾驶感知角落案例的应用驱动概念化
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。
- 多装载车辆摄像头图像转换成鸟瞰视角语义分割图像的 Sim2Real 深度学习方法
该论文提出了一种使用多个车载摄像头获取 360 度鸟瞰图像的方法，并利用神经网络进行分割和预测，以解决单目摄像头在环境感知中的距离估计问题。该方法包括一个语义分割和遮挡区域预测步骤，通过合成数据训练神经网络，实现了对真实世界数据的普遍适用。 - 自主高速公路驾驶增强安全的深度强化学习
本文提出了一种安全的深度强化学习自动驾驶系统，采用了基于规则和基于学习的方法，其中包括手工制作的安全模块和动态学习的安全模块，通过模拟环境的实验结果证明了其优异的性能。