谷歌的“绿灯”项目利用人工智能优化波士顿114个交叉口的信号灯，旨在降低交通排放。该技术通过分析交通模式，帮助城市工程师快速实施优化方案，预计可减少30%的交通停顿和10%的排放。该项目已在18个城市推广。

海威威的CEO李友讨论了针对儿童的AI毛绒玩具挂件的发展，强调该产品通过大模型技术提升了与孩子的互动体验，激发他们的好奇心。尽管面临市场挑战，公司仍计划推出完整的AI玩具系列，拓展市场。

本研究解决了无人信号控制城市交叉口中的复杂交通管理问题，探讨了使用多模态大型语言模型（如GPT-4o）进行逻辑和视觉推理的新方法。研究表明，通过微调模型，GPT-4o在交通冲突检测上实现了77.14%的准确率，而模型生成的解释和建议的准确率分别达到了89.9%和92.3%，显示了其在实时交通管理中的可行性与潜在影响。

本研究探讨了自动驾驶车辆在交通规则法律方面的表示与推理，提出了一种模块化系统，专注于英国《公路法典》中的交叉口规则。该系统通过自然语言界面和多智能体仿真环境，实现规则可视化与合规监控，促进人类驾驶者与自动驾驶车辆的互动。

本文提出了一种基于增强学习的交通信号控制方法CityLight，采用MAPPO框架实现多个智能体的协同控制，显著提升交通效率。实验结果显示，整体性能提高11.66%，迁移场景吞吐量提升22.59%。

研究分析自动驾驶车与人类驾驶车在无信号交叉口的互动差异。利用Waymo和Lyft数据集，发现自动驾驶车在安全边际和交互一致性上表现不同，保守行为可能影响人类驾驶车反应，带来安全隐患。Waymo和Lyft的行为差异也显著，强调交通模型需考虑制造商特定行为。

通过训练和评估YOLOv8和RT-DETR模型的不同版本，研究项目创建了一个先进的深度学习框架，能够实时识别各种环境中的汽车和行人。YOLOv8 Large版本在行人识别方面准确性和鲁棒性高，能显著提高交通监控和安全性，并为交通管理系统建立了新的基准。

该论文提出了一种基于TD3强化学习算法的低成本单一智能体方法，用于解决自动驾驶车辆在复杂T字路口中的导航问题。研究结果表明，该方法在CARLA模拟平台中表现出稳定、安全且具有改进性能的结果。该方法为自动驾驶应用中的强化学习提供了有价值的知识，并展示了采用单一智能体、低成本方法在解决复杂驾驶场景和推进强化学习算法方面的潜力。

本文介绍了基础设施传感器InfraDet3D，通过融合LiDAR和相机数据提高物体检测效果，并应用HD地图提升感知结果。在德国慕尼黑的A9测试区域进行了实际部署和评估，得到了68.48的mAP测试结果。数据集和代码提供给研究社区进行进一步研究。

本文介绍了一种解决路口行人安全问题的实时主动保护系统，利用计算机视觉技术和预测模型，提出了新的安全衡量标准，并将行人划分为不同类别以改进风险评估的效果和可靠性。

该研究提出了一种融合交通信号信息和多车辆交互的知识增强生成对抗网络（KI-GAN）模型，用于车辆轨迹预测。通过专用的注意力汇聚方法，在6秒观测和预测周期内实现了较低的位移误差。该模型在复杂场景中的车辆轨迹预测中表现出有效性。

本研究使用模拟器数据研究了非斑马线和斑马线场景中的缝隙选择和斑马线使用的机器学习模型，发现行人行为受多个因素影响。研究为智能车辆发展提供了有价值的洞察力。

通过建立场景分类方法，可以减少获得自动驾驶系统安全性证据所需的时间。利用图卷积网络来建模交通场景的特征，并在数据集上进行训练，为未来复杂场景分类研究提供基线。

近年来，自动驾驶领域取得重大进展，但半挂车辆研究较少。本研究使用CARLA和环形交叉口场景开发了卡车和挂车模型，并建立了基准数据集。通过双q软件参与者算法训练的自动驾驶模型，在不同环形交叉口上成功率达73%。

研究发现，机器人车辆在无信号控制的交叉口上实施交通控制策略可显著减少排放。当机器人车辆渗透率达到10%时，燃油消耗和NOx排放分别减少了最多27%和28%。当渗透率达到30%时，CO和HC排放分别减少了最多42%和43%。机器人车辆即使只在交叉口采用策略，也能降低整个网络的排放。