- 通过生成式对抗模仿学习建模人类驾驶行为
本文提出一种通过学习真实世界中的驾驶示范数据来学习神经驾驶策略的方法，并使用广义博弈对抗模型进行智能驾驶行为生成，同时介绍了解决多智能体驾驶建模中存在的问题的多智能体模型，并描述了奖赏信号修正的 reward augmented imita - Oxford 机器人车数据集的实时动态运动学地面真实性
该研究描述了一项挑战性的长期定位和映射基准数据的发布，基于大规模牛津机器人车数据集。该数据集包括经过英国牛津市的 72 次通过路线，代表了自动驾驶车辆可靠运行的条件。使用后处理的原始 GPS、IMU 和静态 GNSS 基站记录，我们已经为整 - 加拿大恶劣驾驶条件数据集
该研究使用改装的林肯 MKZ 自动驾驶平台，收集了加拿大滑雪屋地区的自动驾驶数据集，通过 8 个相机、Lidar 和 GNSS+INS 系统，以及使用 Scale AI 提供的 Lidar 框注进行数据标注，提供了一个重点关注恶劣驾驶条件的 - 基于深度学习的自主驾驶汽车行为预测综述
综述了深度学习在自动驾驶车辆行为预测中的应用及其性能，针对输入表征、输出类型和预测方法等三个方面对最近的深度学习解决方案进行分类和审视，并探讨了研究中的差距和潜在的新的研究方向。
- 基础设施传感器协同感知驾驶场景中的 3D 物体检测
本文提出了两种单模态传感器的合作式三维物体检测方案，分别为早期融合方案和后期融合方案，并通过在 T 形路口和环岛等复杂驾驶情境中创建的协作数据集对两种方案及其混合策略进行了性能评估。评估结果表明，早期融合方案在检测精度上表现优异，能识别 9 - CVPRArgoverse: 富含地图的 3D 跟踪和预测
Argoverse 是包含 HD 地图的自动驾驶数据集，通过提供详细的地图信息，如车道方向、可行车道区域和地面高度，提高了 3D 目标跟踪和动态预测的准确性。
- 使用无模型强化学习在密集交通中驾驶
本研究使用深度强化学习来生成一种连续控制规划方案，让自动驾驶汽车在拥挤的道路上实现车道变换，并与基于模型预测控制算法进行对比测试。
- 多模态端到端自主驾驶
本文提出并分析了终端到终端驾驶中，结合 RGB 和深度信息数据的多模态方案，以期提高自动驾驶 AI 模型的性能。通过模拟和条件模仿学习，证明了采用早期融合多模态方案，可以超越采用单模态的性能表现。
- CVPRnuScenes：自动驾驶的多模态数据集
本文介绍了 nuTonomy 场景数据集，其中包含了自动驾驶车辆所有的传感器：6 个相机，5 个雷达和 1 个激光雷达，每个场景长达 20 秒，并标注了 23 个类别和 8 个属性的三维边界框。同时，定义了新的 3D 检测和跟踪指标，并提供 - 交通标志检测的误报系统：你错过了标志吗？
本文提出了一种识别未被物体探测器检测到的交通标志的方法，使用单镜头多盒物体探测器训练了一个分离的假阴性检测器，并使用精度和召回率在比利时和德国交通标志数据集中分别实现了 89.9% 和 90.8% 的精度，这是首个解决机器视觉中假阴性探测的 - 从模拟中学习驾驶技能，无需真实世界标签
该论文研究基于模拟的无人驾驶视觉导航系统，探讨了如何通过图像转换实现域间转换并在农村和城市道路上对自闭车的驾驶性能进行评估。
- 变分端到端导航和定位
通过扩展端到端驾驶网络、定义新颖的可变网络，将深度学习应用于自动驾驶领域，使自动驾驶汽车在没有 GPS 数据的情况下能够执行点对点导航和概率定位，同时给出了汽车可能采取行动的完整概率分布，并能够在观察到的视觉道路拓扑图和地图之间建立的对应关 - 通过罕见事件模拟实现可扩展的自动驾驶汽车端到端测试
开发了一种模拟框架，使用深度学习感知和控制算法来测试现代自动驾驶系统，通过自适应重要性采样方法来估计基于标准交通行为的意外概率，相对于蒙特卡洛抽样，可以提速 2-20 倍，并且比真实道路测试快 10-300 倍（P 为处理器数量）。
- 自适应博弈理论决策在环形交叉口自动驾驶车辆控制中的应用
本文提出了一种基于博弈理论模型的决策算法，用于自动驾驶汽车控制来应对环形路口的交通。该算法可以通过在线估计对手车辆的驾驶模式来对其进行调整。
- AutoRally 开放的激进自动驾驶平台
AutoRally 是一个 1:5 比例的机器人测试平台，可用于自动驾驶汽车研究，包括使用离线估计算法和卷积神经网络进行车辆状态估计以及探索可驾驶表面，使用真实世界的数据从六辆 AutoRally 机器人提供的验证结果证明了机器人的能力。
- CVPR基于卷积社交池化的车辆轨迹预测
使用卷积社交汇集的 LSTM 编码器 - 解码器模型可以使得机器人更好地学习掌握复杂路况下的周围车辆的运动，并在多种交通场景中获得了不错的预测效果。
- 高动态环境下多相机系统自主车辆鲁棒高效的相对位姿估计
该文研究了自动驾驶在高度动态和可能杂乱的环境下的相对姿态问题，提出了一种使用多摄像头系统的新算法，利用特定的先验知识开发了一种高效的 4 点算法，并与 RANSAC 结合使用，在合成数据和实际应用中表现良好。