- 基于超人视觉的自动驾驶格兰・图里斯莫赛车的强化学习代理
使用仅局部输入的姿态视角摄像头图像和车辆信息，通过训练期间仅借助全局特征，该研究介绍了第一个视觉型超人级赛车智能体，其在时间赛中击败了最优秀的人类驾驶员。
- 通往法律自治的道路：利用大型语言模型、专家系统和贝叶斯网络进行可互操作和可解释的法律信息提取、转换、加载和计算的方法
通过使用大型语言模型（LLM）、专家法律系统（即法律决策路径）和贝叶斯网络的方法，本文概述了一种应用于自主汽车方面的方法的原理证明，该方法旨在通过对 AI 代理控制设备的代理软件中编码现有规则，实现人工智能代理理解法律并与之推理的能力。
- SFGANS 自监督的人体动作分割未来生成器
通过自我监督方法生成原始特征向量的改进表示，提高了现有模型在行动分割的不同子任务上的性能。
- 自动驾驶车辆：系统、网络安全、风险和问题概述与未来发展方向
这篇研究论文探讨了自动驾驶汽车的复杂领域，分析了其基本组成和操作特性。重点介绍了自动驾驶汽车在交通预测、运输动态转变和各个行业中的自动化任务方面的应用，以及在自动驾驶汽车系统、网络安全和风险管理等方面提出的解决方案。
- 基于优化的单次多框检测和强化学习的士兵跟随
利用 DeepRacer 构建了一个自主系统，它能够跟随军人的移动，并通过优化的 SSD Lite 对象检测模型和强化学习模型实现任务，在实验结果中，SSD Lite 在速度和准确性方面表现出优越性。
- MARS: 一个面向实例的、模块化和逼真的自动驾驶模拟器
基于神经辐射场（NeRF）的自主驾驶模拟器具有独立的前景模型和背景环境网络，支持模块化设计，实现了最新的照片级逼真效果，并将以开源形式发布，为自主驾驶模拟的学术进展和行业部署提供支持。
- 设计师与工程师之间寻找差异，为自动驾驶汽车开发可信 AI
这项研究探讨在设计和实施具有伦理问题的人工智能时，对于为自动驾驶汽车开发可信人工智能存在不同的观点，旨在通过探索多元观点，识别造成差异的关键因素，并提出弥合差距的策略。研究的三个支柱为透明度、可靠性和安全性，为自动驾驶汽车的可信人工智能领域 - 使用强化学习调节自主车辆的路径跟踪控制器
本文提出了一种基于强化学习的适应性路径跟踪控制系统，可用于自动驾驶汽车，并使用 Q-Learning 算法进行较小横向和转向轨迹误差的校准。该系统还基于 ROS 桥连接了 CARLA 模拟环境和跟踪器结果。模拟结果表明，本系统能够安全地适应 - REAP：大规模真实对抗贴片基准测试
该研究提出了一个数字基准 (REAP) 使用户能够在实际图像及真实情况下评估补丁攻击，通过实验证明补丁攻击可能比以前认为的威胁较小，而在简单的数字模拟下的攻击成功率并不预测其在实践中的实际效果。
- 构建人机兼容的自动驾驶汽车：基于情感转移建模的自动驾驶非言语图灵测试研究
研究了通过非语言图灵测试来评估自动驾驶汽车所提供的人类体验。其中，实验结果表明，与人类驾驶员相比，被测试的 AI 驾驶员提供的人类体验并不尽如人意，并结合 Lewin 的现场理论，进一步探讨了情感过渡如何影响乘客对于与人类驾驶员相似的自动驾 - 自动驾驶汽车道路规则建议
本文介绍了 “道路规则顾问”（RoTRA）的体系结构和设计，它将人类级别的规则转化为自动驾驶汽车可执行的建议和可能操作，可以遵循道路规则并提供外部自动化责任机制。该系统的使用可以适应不同司法管辖区的不同法规，提供了从规则到行为的可跟踪性，并 - CT-ICP：实时弹性 LiDAR 里程计与环路闭合
本研究提出了一种新的实时 LiDAR-only 里程计方法（CT-ICP）和一种新的环路检测程序，结合弹性形变和高频运动鲁棒性，使用 2D 匹配进行纯激光雷达回环检测和构建完整的 SLAM，应用于自动驾驶汽车的定位和感知任务。测试结果表明， - 适用于恶劣天气中汽车感知的雷达数据集
本文介绍了一种名为 RADIATE 的公开数据集，使用雷达传感器获取高分辨率的公共道路数据图像，以进行安全自动驾驶的物体检测，跟踪和场景理解的研究。该数据集是第一个在恶劣天气条件下提供公共道路高分辨率雷达图像的数据集，包含超过 200,00 - Scenic: 用于场景规格和数据生成的语言
介绍了一种基于概率编程语言的开发和分析方法，特别用于基于机器学习的物联网系统，提出了一种基于 Scenic 的分布式场景和环境模型的领域特定语言，并在卷积神经网络中进行了应用。
- 用于汽车雷达干扰抑制的全卷积神经网络
本文提出了一种基于全卷积神经网络的 FMCW 雷达干扰抑制方法，改善了汽车场景下雷达传感器之间的干扰问题，同时开源了一个近似实际汽车场景的大规模数据集。
- 不要忘记过去：从单目视频中的循环深度估计
本文介绍了一种基于 ConvLSTM 和三种不同类型深度预测网络的自监督实时单目深度估计和完成方法，能够产生一系列的深度图，该方法灵活且可与不同类型稀疏深度图案件组合使用，实验表明，我们的方法在自监督场景中始终优于其基于图像的对应方法，并且 - ICCV重新思考基于三维点云的实例分割任务及度量
本文提出了一种新的方法来解决在 3D 点云上进行实例分割时可能出现的计算量过大、类别识别性能不佳等问题，其中本文重要的贡献是提出了一种独立于输入类别和大小的度量标准，通过该标准，新方法在现有研究中表现出最好的性能。
- 使用卷积神经网络进行汽车雷达复杂信号去噪与干扰抑制
本研究旨在解决越来越多的雷达传感器在街道上部署时，存在的共存干扰问题。为此，研究提出了使用卷积神经网络（CNN）对数据进行去噪的方法，实验结果证明了该方法的优越性。因此，CNN 可以作为传统信号处理方法之外的一种干扰抑制方法，用于自动驾驶领 - 具有社交感知的自动驾驶汽车的行为规划
本研究提出了一种基于社会感知方案的自主驾驶决策模块，在该模块中，利用所有可用信息并恰当地处理不确定性问题，将社会感知的更新信念明确地纳入了基于 MPC 的概率规划框架中，以此实现了防御但不过于保守且社会兼容的驾驶策略。
- 运用决策规则处理语义分割中的类别不平衡
研究了如何解决语义分割中训练数据类别不平衡的问题，通过利用先验概率对后验概率进行加权，从而改善对少数类别的识别效果，实验证明其对于行人和路标的识别召回率分别提高了 25% 和 23.4%，同时非检测率显著降低了 61% 和 38%。