- 矢量化表示梦想家（VRD）：辅助多智能体运动预测
自主驾驶车辆的轨迹预测是一个关键问题，本文引入基于向量化世界模型的 VRD 方法，通过结合传统训练和新型训练流程，实现了多智能体运动预测的优异性能。
- 多智能体深度强化学习中的协作决策方法：混合 Q 学习用于变道
本文提出了一种名为 MQLC 的方法，它通过整合混合价值 Q 网络，同时考虑集体和个体效益，以解决自主车辆路径规划中的车道变换决策问题。通过在观察中整合基于深度学习的意图识别模块并加强决策网络，使多主体系统能够有效地学习并制定最佳决策策略， - 自主车辆感知系统中的摄像机和雷达传感器数据融合的跨领域空间匹配
该研究论文提出了一种新的方法来解决自主车辆感知系统中相机和雷达传感器融合的三维物体检测问题。该方法基于深度学习的最新进展，并利用了两种传感器的优势来提高物体检测性能。通过使用先进的深度学习架构从相机图像中提取二维特征，然后应用一种新颖的跨域 - WROOM: 一种用于越野导航的自主驾驶方法
使用自定义的模拟器和强化学习系统，在 Unity 游戏引擎中为自主车辆设计了一个端到端的深度强化学习解决方案，通过基于奖励的训练和控制栏函数，帮助智能体在真实场景中进行泛化，并通过提出的模拟环境在实际 RC 汽车上部署该方法。
- 司机为中心的驾驶风格适应中的情境认知
基于不同的视觉特征编码器和驾驶行为预测器，我们提出了一种情境感知的驾驶风格模型，可以适应特定司机的驾驶风格，并且在驾驶行为预测中取得了显著的性能优势。
- CVPRAIDE：用于自动驾驶中目标检测的自动数据引擎
我们提出使用视觉语言和大型语言模型的最新进展设计自动数据引擎（AIDE），以自动识别问题、高效筛选数据、通过自动标注改进模型，并通过生成多样化场景验证模型，从而实现模型的持续自我改进。我们还在自动驾驶数据集上建立了一个开放世界检测基准，全面 - 基于认知的自动驾驶轨迹预测方法
这篇论文介绍了一种人类似的轨迹预测模型（HLTP 模型），它采用了灵感自人类认知过程的教师 - 学生知识蒸馏框架，这种方法可以在动态环境中动态适应变化的驾驶场景，提高准确预测的关键知觉线索的获取能力。该模型在 Macao Connected - PPNet: 一种用于端到端近似最优路径规划的新型神经网络结构
路径规划研究中，由于对初始解敏感且收敛速度较慢，我们提出了一种分为路径空间划分和路径空间中的路点生成的两级级联神经网络，名为 PPNet，用于解决此问题。此外，我们提出了一种名为 EDaGe-PP 的有效数据生成方法，实验结果表明，与其他方 - AR-GAN: 面向自动驾驶交通标志分类系统的对抗攻击的生成对抗网络防御方法
该研究提出了一种基于生成对抗网络（GAN）的自主车辆中交通标志分类的防御方法，名为 AR-GAN。AR-GAN 的创新之处在于：（一）假设对抗攻击模型和样本没有任何先验知识，（二）在各种对抗攻击类型下均提供一致高的交通标志分类性能。AR-G - 自动驾驶车辆与行人、乘客的互动：横穿人行横道场景下的实地研究
调查表明，当在人行横道上使用外部人机界面和缓慢刹车时，行人对安全有更好的感知；同时，内部人机界面与积极刹车相结合时，能提高乘客的信心。
- 自动驾驶车辆在全自动和混合交通条件下的开发与评估
自动驾驶汽车技术快速发展，对道路交通安全产生了重大影响，同时也解决了多种复杂的交通问题。为了确保自动驾驶汽车之间以及自动驾驶汽车与人类驾驶员之间的合作互动，本研究提出了一个多阶段的方法，采用共享和关怀的车对车通信策略来加强协同行为。通过进行 - WATonoBus：一款全天候自动驾驶班车
自动驾驶车辆的全天候操作存在重大挑战，包括感知、决策、路径规划和控制模块。我们通过提出一种多模块和模块化系统架构来解决这个问题，考虑了不良天气条件对感知层、决策层和安全监控的影响，并通过在 WATonoBus 平台上进行近一年的日常服务，证 - 自主车辆的车道保持控制通过软约束迭代式 LQR
通过软约束迭代线性二次调节器算法结合模型预测控制约束松弛方法，开发了一种在汽车车道保持控制中解决抖动问题的算法，通过软化优化过程中的约束，能够相对简单地计算稳定的控制输入轨迹，提高自动驾驶车辆的操控平滑度和追踪精度。
- 自动驾驶车辆中的计算机视觉应用：方法、挑战与未来发展方向
自动驾驶车辆的知觉系统及其与计算机视觉和传感器相关的技术发展和应用进行了综述，概述了自动驾驶车辆的发展、传感器和数据集、计算机视觉应用以及公众意见和担忧，并分析了当前技术挑战和未来研究方向。
- 基于格里曼角度场视觉变换器的自动驾驶车辆驾驶行为探索
本研究提出了 Gramian Angular Field Vision Transformer (GAF-ViT) 模型，用于分析自动驾驶汽车 (AV) 的驾驶行为。该模型通过将多变量行为的代表序列转化为多通道图像，并应用图像识别技术进行行 - REVAMP: 在逼真场景中对任意对象进行自动模拟的对抗攻击
通过实物世界中的环境因素控制，REVAMP 是一种易于使用的 Python 库，用于创建攻击场景并模拟逼真的环境因素、照明、反射和折射，以便研究人员和从业者可以快速探索数字领域中的各种情景，并使用可区分的渲染来复制物理合理的对抗性对象。
- 应用人类风险认知的对抗驾驶行为生成：自动驾驶车辆评估
使用深度强化学习和累积前景理论，生成对抗性行为的新框架来检测自动驾驶汽车的风险弱点。通过在高保真硬件测试平台上进行案例研究，结果证明对抗行为能揭示被测试自动驾驶汽车的弱点。
- 利用社会心理因素的强制合并情境中自主车辆的交互感知决策
通过包含社会行为和驾驶员个人目标的行为模型，利用贝叶斯滤波和对于不明确意图的附近车辆行为的预测，开发了一种基于滑动时域控制的决策策略，以在线估计其他驾驶员的意图。通过与博弈论控制器和真实世界交通数据集的模拟研究进行比较，验证了所提出的决策策 - 通过逆强化学习识别基于随机模型预测控制车辆的反应感知驾驶风格
自动驾驶车辆中的驾驶风格通过以加权特征描述并捕捉车辆的反应感知特征，使用改进的最大熵逆强化学习方法从演示轨迹中识别驾驶风格，并通过 MATLAB 模拟和现有实验进行验证。
- 行人 - 车辆混合环境中的行人轨迹预测：一项系统综述
自主车辆与行人共享空间时，规划行驶路径需要考虑行人的未来轨迹。本文系统地回顾了文献中用于在存在车辆的情况下建模行人轨迹预测的不同方法，研究了与行人 - 车辆交互作用相关的特定考虑因素，并回顾了先前提出的预测模型中如何考虑预测不确定性和行为差