- 复杂网络中的拥塞控制新型强化学习路由算法
使用强化学习的路由算法能够控制拥塞和优化路径长度，从而提高网络吞吐量，有效地应用于复杂网络中各种流量场景和拓扑结构，并在实验中显示出最大节点拥塞减少 5 倍、效率提高 30% 的结果。
- RealGen：基于检索增强生成的可控交通场景
通过检索基增强的情境学习框架 RealGen，在交通场景生成领域中实现的灵活性和可控性，为生成自动驾驶车辆训练和评估的复杂行为启发了新的方向。
- 可学习的滤波模块增强交通预测
基于噪声的轻量级可学习滤波模块用于提高交通预测准确性。
- SWMLP: 基于道路地形特征的车辆轨迹速度预测的共享权重多层感知器
我们提出了一种独立于大规模历史速度数据的车辆速度预测方法，通过使用轨迹道路地形特征来拟合共享权重多层感知器学习模型，我们的结果在定性和定量上都展现了显著的改进，并且为交通分析的新方法设计提供了新的思路。
- 对 Yolov5 进行交通和路标检测的对抗攻击
本文研究并实施了流行的对抗性攻击，对 YOLOv5 目标检测算法进行了调查。研究探讨了在交通和道路标志检测的背景下，不同类型的攻击（包括 L-BFGS、FGSM、C&W，BIM，PGD，One Pixel，和通用对抗扰动攻击）对 YOLOv - BITS: 交通仿真的双层模仿
本研究提出了一种基于数据驱动的方法（称为 BITS）来生成具有现实感、多样性和远期稳定性的交通行为，该方法将交通仿真问题分解为高层意图推断和低层驾驶行为模仿的双层层次结构，并引入了规划模块来获取稳定的长期行为。同时，还开发出一种软件工具，统 - IJCAI多智能体强化学习通过通用通信方法进行交通信号控制
该研究提出了一种名为 UniComm 的通信形式，该形式有效地协调了多个交叉口之间的通信，并提出了一种名为 UniLight 的简洁网络，可充分利用 UniComm 所激活的通信。实验结果表明，UniComm 普遍改善了现有最先进方法的表现 - 基于条件仿真学习的城市驾驶控制
针对自主驾驶中手工制定决策规则的困难，利用易于收集的人类驾驶数据学习行为的能力，同时结合计算机视觉的语义、几何和运动表征，提出了一种基于条件模仿学习的端到端方法，使自动驾驶车辆能够在城区中跟随用户指定的路线，具备横向和纵向控制能力，并且在欧 - 基于时间图的 3D 图卷积网络：交通流量预测中的一种空间信息自由框架
本文提出了一个新的深度学习框架，名为 3D-TGCN，它通过与传统空间信息不同的方式构建道路图，并提出了一个 3D 图卷积模型来更准确地模拟时空数据，并在实证结果中取得了优于现有基线的未来交通预测精度。
- TraPHic: 基于加权交互的稠密异构交通轨迹预测
本研究提出了一种新算法，使用 LSTM-CNN 混合网络来预测道路交通视频中不同车辆代理的不同轨迹，相较于现有算法，我们考虑了不同代理相互作用的多样性，还考虑了基于地平线视野的交互，效果比现有算法提高了 30%。
- 面向人机交互的多模态概率模型规划
该论文介绍了一种基于条件变分自编码器（CVAEs）的方法，用于在多模式（即多个高度不同的未来可能）的情况下制定人机交互策略，特别关注于交通道路中的车辆交织问题，并通过人 - 机器交互模拟表明了该方法的有效性。
- 使用深度强化学习代理控制交通信号
提出了一种交通信号控制系统，利用现代深度强化学习方法构建适应性交通信号控制器，通过对作为输入的交通密集信息进行 Q-learning 训练并使用经验回放，与一种单隐藏层神经网络通讯信号控制器相比，实现了平均累计延迟减少 82％，平均队列长度 - 自动驾驶中的联合注意力 (JAAD)
本文呈现了用于自动驾驶关键方面的新数据集，介绍了交通参与者行为的可变性，并展示了天气条件、地理位置、交通和人口统计学等因素如何影响交通行为及场景的视觉复杂度。地面真相数据传达了有关参与者位置（边界框）、物理条件（例如照明和速度）和各参与方的 - 网络与城市：信息视角
本文研究了交通在信息处理的角度下的情况，将城市地图重新绘制成信息城市网络的形式，以便于量化特定地址定位所需的信息。