- 面向自动驾驶中基于视觉和语言模型的可转移攻击的研究
借助于大规模视觉 - 语言模型，本研究探索了针对自动驾驶系统的印刷攻击，重点关注真实交通场景中这些攻击的部署方式及其对决策自主性的潜在影响，对于已有的大规模视觉 - 语言模型表示特别有害的印刷攻击引起了社区的关注。
- 交通情景逻辑：一种用于建模和推理城市交通情景的时空逻辑
交通场景逻辑 (TSL) 是一种用于建模和推理城市无行人交通场景的时空逻辑，它提供了城市道路网络的正式表示，并可用于生成测试场景以及自动驾驶决策和控制验证。
- UniGen：用于生成自动驾驶场景的初始代理状态和轨迹的统一建模
UniGen 是一种用于通过模拟生成新交通场景以评估和改进自动驾驶软件的新方法，通过统一建模来模拟所有驾驶场景元素，包括新代理的位置、初始状态和未来运动轨迹，以实现对现有场景中所有上下文的完全条件。该方法结合自回归代理注入，使每个新代理的位 - 基于扩散的环境感知轨迹预测
基于扩散的生成模型用于多智能体轨迹预测，具有学习数据多样性、提高预测准确性和应对不确定交通状况的实用性。
- 多残差任务学习推广合作生态驾驶
基于多任务学习的多残差任务学习（MRTL）框架在自动驾驶领域中的深度强化学习（DRL）和常规控制方法的结合具有潜力，能够在多样化的交通场景中实现可迁移的控制。
- 基于对偶求解的交互预测的可扩展多模态模型预测控制
我们提出了一种用于复杂多模态交通场景中可扩展实时模型预测控制（MPC）的分层体系结构。该体系结构包括两个关键组件：1）RAID-Net，一种基于注意力机制的新型循环神经网络，使用拉格朗日对偶性在 MPC 预测范围内预测自动车辆与周围车辆之间 - CVPR可控的安全关键闭环交通仿真：通过导向扩散
评估自动驾驶车辆规划算法的性能需要模拟长尾交通场景。通过引入基于引导扩散模型的闭环模拟框架，我们提出一种新的方法来生成现实世界情景的安全关键场景，并通过增强的可控性使评估更全面和互动性更强。通过相关的引导目标，我们改善了道路进展，同时降低了 - 情景扩散：可控驾驶情景生成与扩散
自动驾驶车辆的安全验证方面，合成交通场景的自动创建是关键部分。本文提出了一种新颖的基于扩散的场景生成架构 ——Scenario Diffusion，可实现可控的场景生成。我们结合了潜在扩散、目标检测和轨迹回归，同时生成合成代理人的姿势、方向 - 安全导航：在 CARLA 中使用深度强化学习进行自主车辆训练
自主驾驶汽车使用深度强化学习技术在不确定环境中进行决策，通过使用 CARLA 模拟器在真实城市环境中训练和测试自动驾驶模型，实现了准确的对象识别和距离估计以及有效的交通导航。
- DriveSceneGen: 从零开始生成多样且逼真的驾驶场景
大规模多样化的真实交通场景对于自动驾驶系统的开发和验证至关重要。本研究引入了 DriveSceneGen，一种数据驱动的驾驶场景生成方法，从真实世界的驾驶数据集中学习并生成完整的动态驾驶场景。与真实世界的数据集相比，DriveSceneGe - 联合互动导航的扩散模型
通过 DJINN 扩散方法，本文在模拟自动驾驶系统中生成交通场景，改善实际情境收集的昂贵性，实现了目标轨迹预测中的最先进效果。同时展示了 DJINN 如何灵活地从各种有价值的条件分布中进行直接测试抽样，包括基于目标、行为类别和场景编辑等。
- InteractionNet: 自主驾驶的联合规划与预测
自动驾驶的规划和预测是两个重要模块，现有方法将其视为独立的，忽略了它们之间的相关性，导致对交互和交通场景的动态变化缺乏考虑。为了解决这个挑战，我们提出了 InteractionNet，利用 Transformer 在所有交通参与者之间共享全 - 在图谱频谱域中预测和解释车辆轨迹
该论文提供了对交通场景的图谱表示的全面分析和解释。基于时空车辆交互图，观察到的交通场景可以通过多维图傅里叶变换转换为图谱域。由于这些谱场景表示成功地融合了交通场景的复杂和交互性质，因此采用了优良的特征表示方法用于预测车辆轨迹。该论文引入了 - 自主驾驶车辆的协作 RL 测试基于潜能的信用分配
本文介绍了协作强化学习的概念，用于为自主车辆规划和决策模块生成具有挑战性的测试用例，提出了一种基于潜在因素的奖励塑形方法，旨在解决交通场景中多个实体相互作用时的贡献分配问题，并在模拟环境中进行了实验验证。
- SMAP：一种新的面向场景的最优模型分配异构信息框架
使用 SMAP 框架及多头注意力机制来为特定的情境选择合适的数据集并分配最佳模型，并利用新的评分函数来综合评估模型，同时使用新的记忆机制防止重复匹配，实验结果验证了 SMAP 的有效性和效率。
- MM未见流量场景下通信负载平衡的策略重用
本研究提出了一种基于强化学习的策略重用框架，通过在各种交通场景下训练和存储策略，并结合流量条件，选择最适合的预训练策略以更好地解决通信网络负载均衡问题。实验结果表明，这种方法比传统的基于规则和适应性方法表现更出色。
- MM通过高效的逆强化学习实现通信负载平衡
本文提出了一种采用逆向强化学习方法来解决通信负载平衡问题的方案，并通过从一组演示中推断出奖励函数和学习负载平衡策略的方法，取得了在真实场景中更适用和更具一般性的效果。实验表明所提出的方案优于其他基线方法。
- 利用关联局部动态地图的遮挡风险交叉警告系统
本文介绍了一种用于交通场景风险评估的方法，主要关注可视性受限的路口场景。通过使用局部动态地图进行光线投射以获得视野区域，识别存在潜在风险的场景实体并进行碰撞风险评估，得出用于评估驾驶人行为的风险指标，并通过实际场景验证其有效性。
- 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 - 利用深度强化学习进行动态和不确定高速公路环境下的自动车道变更决策
研究开发了一个新型仿真环境，采用深度强化学习的方法训练代理人，在动态和不确定的交通环境中实现了一致的性能，并表明所提出的数据驱动方法在嘈杂的环境中表现显著优于完全依赖启发式的方法。