- 通过不确定性提升可解释的自动驾驶车辆对象感知模型
基于 “物体引导” 模型方法和 Beta 先验的证据深度学习范式，该研究提出了一种解释自动驾驶车辆决策的方法，通过集成不确定性评估来克服复杂驾驶场景中可靠性方面的挑战，并在基于 BDD-OIA 数据集的实验中证明该模型在各种情景下优于现有基 - 利用时间中的偏移序列增强恶劣天气下的激光雷达目标检测
本研究通过处理由激光雷达传感器生成的连续数据样本，研究了增强激光雷达目标检测鲁棒性的各种策略，利用时间信息改进模型，对不利天气下的激光雷达点云进行了实验评估，发现通过引入序列帧之间的时间偏移进行数据增广的新方法，比基准模型（基于柱的目标检测 - 考虑驾驶异质性的纵向轨迹的概率性预测与可解释性
基于混合密度网络（MDN）的轨迹预测框架结合驾驶异质性提供概率化和个性化预测，在广泛的车辆轨迹数据集上验证表明该模型相较于现有基准模型能够生成具有显著改进的概率未来轨迹，而驾驶行为特征向量作为额外输入则能提供更多信息以提高预测准确性。
- 基于近似贝叶斯推断的通用随机混合车辆跟驰模型
通过随机学习方法结合多个车辆跟随模型，该论文研究了交通动力学和自动驾驶车辆的行为，证明该方法可以更好地再现人类驾驶和自动驾驶的车辆轨迹。
- 检测自适应巡航控制车辆上的隐蔽网络攻击：一种机器学习方法
为了检测自动驾驶车辆遭受的网络攻击，本论文提出了一个基于交通模型框架和生成对抗网络的异常检测模型，通过实时车辆轨迹数据来识别恶意操作控制命令、传感器测量的虚假数据注入攻击以及拒绝服务攻击。与其他神经网络模型相比，所提出的方法在准确识别具有异 - 像素状态值网络用于交互环境中的综合预测和规划
通过深度学习方法将预测和规划结合起来，利用条件生成对抗网络和 U-Net 架构训练模型，以预测高分辨率的图像序列并编码运动预测以及规划相关信息，从而在城市环境中与其他交通参与者可靠地进行交互。
- 通过知识共享和个性化学习自动驾驶车辆的驾驶员模型
使用知识分享和个性化的方式描述了一种学习自动驾驶车辆（AVs）驾驶模型的框架，该模型在多个车辆之间进行知识分享，以提高其在真实世界中驾驶场景的暴露度。该方法通过共同训练一个驾驶模型，同时保留针对每个车辆独特条件和特性的个性化模型，实现了多个 - 自动驾驶的行人环境模型
使用单目相机图像和车辆定位数据作为输入，我们提出了一个环境模型，该模型包括行人的位置和姿态信息。通过神经网络人体姿势估计器从图像中提取骨架信息，并通过基于匈牙利算法和自车运动补偿的简单跟踪算法跟踪骨架。为了获得位置的三维信息，我们结合车辆位 - 无道德的自动驾驶：含义、设计与实际应用
提出了一种使用预定义参数描述可能事故风险并将伦理价值论整合到多种决策规则中的自动驾驶决策方法，旨在为自动驾驶车辆的决策制定提供一个评估工具，以弹性满足人们对道德行为的期望，并提供一种社会可接受性评估。
- IMPTC 数据集：基础设施下的多人轨迹和上下文数据集
通过使用受智能公共城市交叉口内的视觉传感器技术的德国，加上多视角相机和雷达系统感知交通情况和道路用户的行为等多种传感器来收集数据，以完整掌握场景信息并提供基础训练算法，在自动交通中实现了文中所提出的智能公共城市交叉口，用以扩展驾驶员和车辆感 - 基于深度强化学习的碰撞动量用于对抗行人建模
本文提出了一种基于强化学习算法的行人模拟方法，专门针对边缘案例下自动驾驶控制器的不足，并且能够产生更严重的碰撞，以便在复杂多变的情况下识别并纠正自动驾驶算法的缺陷。
- 自动驾驶汽车演进测试场景生成方法和智能评估框架
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。
- 在高速公路合流情境中，利用变长观测进行轨迹预测以进行运动规划
本文提出了一种基于 Transformer 模型的轨迹预测方法，用于处理长度大于一帧的观测段，通过在大规模数据集上的测试表明其可以有效提高自动驾驶汽车在高速公路合流等场景下的安全性、舒适性和效率。
- 激光照亮黑暗：通过相机与雷达融合技术提升自动驾驶车辆低能见度感知
本篇论文提出了一种基于变形金刚网络的 3D 物体检测模型 REDFormer，该模型通过使用鸟瞰相机和雷达融合，解决低能见度条件下自动驾驶系统的感知问题，并且在多雷达点云数据、多种天气和时间数据的 nuScenes 数据集上进行验证，相比其 - 半自动化的角落案例检测和评估流程
为了证明自动驾驶汽车可以安全、稳健地处理多种不同情况的交通，提出了一个通过 KI Absicherung 本体论将集体专家知识描述转化为场景和情境来提取自动驾驶数据集中的极端案例，并评估检测网络性能的流程。
- 基于认知理论的模型预测交通中的人类行为：案例研究
这篇文章研究了采用包含最新的人类感知、决策 - making 和运动控制理论的新颖认知似然模型 --Commotions 模型用于预测人类在交通互动中的行为，展示了此模型在自然情景数据集中与数据驱动模型相竞争甚至胜出，证明了吸纳认知理论在自 - FlowMap: 交通流量下无人驾驶车辆的路径生成
本文提出了一种基于交通流的路径生成框架 FlowMap，该框架可以为自动驾驶车辆生成人类模拟路径，并且可以在不使用高精度地图的情况下应对超级复杂的十字路口。
- 模仿专家学习节能驾驶行为
本研究探讨了在高密度交通条件下，通过应用模仿学习算法，对未来自动驾驶车辆实现控制策略和现实限制的协调，以提高网络能效，结果显示该算法能通过仅使用本地观测数据，提高交通网络能效达 15%。
- 利用本体论对自动驾驶的正式化和关键性识别
本文提出知识表示与推理技术在自动驾驶汽车领域的应用。利用本文提出的 6 层模型创建了一个正式的场景模型，并利用本体论对交通场景因素进行建模和推理，得出交通状况关键因素。我们采用联合描述逻辑和规则推理器，并开展了一项基于大规模无人机数据集的实 - 蒙特卡洛树搜索与风险指标在不确定环境下的合作轨迹规划
本文使用蒙特卡罗树搜索和核回归，基于马尔可夫决策过程和风险度量，采用震荡信念状态方法，分析自动驾驶车辆与人类交通合作的不确定性。结果表明，在不确定的环境下，整合风险度量在最终选择策略中始终优于基线，可以生成较为安全的车辆轨迹。