- 一种基于规则的自动驾驶行为规划器
该研究论文描述了如何使用从专家驾驶决策学习的实用规则引擎来实现自动驾驶车辆的高度复杂的决策功能，并提出了一种使用两层规则理论创建和维护基于规则的行为规划器的算法。通过在城市环境中实现和进行实地测试，证明了我们方法的实用性。
- 基于知识增强去噪扩散的城市流动生成建模
通过扩散模型生成没有历史流量数据的区域的动态城市流量，使用城市知识图和增强的扩散模型进行建模，并且通过实验证明其优越性和适用性。
- 城市植被点分割的深度学习架构基准测试
本文从植被分割的角度探讨深度学习模型在城市环境下的应用，评估了四种不同的模型并在三个数据集上进行实验，提供了一些优化植被分割的方案。
- DeFIX: 基于强化学习的模仿学习自动驾驶故障场景检测和修复
本文基于强化学习（RL）提出了 DETECT and FIX（DeFIX）方法来解决自主驾驶中违反交通规则的问题，通过提取违规点和在这些违规区域上重新构建小场景来训练 RL agent 以修复 IL agent 的缺陷，通过对目前最具挑战性 - KDD基于稀疏数据建模网络级流量转移
本研究提出了 DTIGNN 方法，通过建立动态图模型，利用交通信号灯，学习基础交通流过渡方程，并在流程中进行插补，从而从稀疏数据中预测网络级交通流。经实验证明，该方法优于其他方法，可更好地支持交通决策。
- 利用三维地图和深度学习进行空间信号强度预测
本文提出一种基于深度神经网络和三维地图预测城市环境中的无线电信号强度分布的算法，该方法不需要发射器位置知识和削弱、遮蔽参数等副通道信息，既可用于无人机或移动机器人部署优化也可应用于动态频谱访问网络、蜂窝覆盖设计和功率控制算法等方面。
- 运输网络的动态性与多权重交通图卷积网络的结合用于交通预测
本文提出了一种新颖的图卷积网络模型 ——Multi-Weight Traffic Graph Convolutional (MW-TGC) 网络，并将其应用于两种具有对比几何约束性质的城市网络中，成功地学习了特征间的依赖关系，并通过序列到序 - 大规模动态环境下的鲁棒密集建图
提出了一种基于立体输入的视觉里程计法的稠密建图算法，该算法针对大规模动态城市环境中的高级移动机器人任务，同时重建静态背景、移动物体和潜在移动的静止物体。
- 基于注意力金字塔聚合网络的视觉地点识别
提出了一种基于注意力机制的金字塔聚合网络（APANet），其中空间金字塔池化可以有效编码多尺度建筑物包含地理信息，而注意力模块则用于抑制混淆区域特征并突出辨别性特征，通过一种 PCA 白化策略在两个地点识别基准测试中表现优异。
- 在城市环境中实现全自动驾驶：加利福尼亚州 GoMentum Station 的演示
本研究关注在城市环境中自动驾驶（AD）所引发的技术挑战，着重介绍了 AD 系统的总体架构和感知规划等细节，并基于修改版 RLX 进行了 4 个场景的自动驾驶演示。该演示表明在城市情景下实现自动驾驶的鲁棒性及一致性，但需要更多研究以期实现全面 - ECCV深度学习城市：全球尺度下衡量城市感知
利用卷积神经网络从大规模的人类认知感知数据集中学习，在全球范围内量化城市环境感知现象的关系。
- 多城市故事：人类城市移动的通用模式
本研究通过分析大量 Foursquare 用户的数据，研究了全球多个大都市的城市移动性模式，发现了影响城市人类移动的关键因素：原地和目的地之间的地点数量，而非纯物理距离，经过排名计算的移动模型可以准确地捕捉不同城市的真实人类移动，这为城市规