本研究通过合并LISA和S2TLD数据集，并应用傅里叶领域适应技术，解决了交通信号灯检测中的数据稀缺和恶劣天气性能差的问题。实验结果表明，增强模型在雨天和雾天的表现显著优于未增强模型。

本文介绍了多个自动驾驶相关的数据集和研究，包括Honda Research Institute Driving Dataset（HDD）、ONCE数据集及交通信号灯检测模型。研究探讨了驾驶行为、交通信号灯感知及车辆灯光的表示，强调了准确注释在自动驾驶模型训练中的重要性，并展示了不同数据集的特点和应用。

谷歌研究团队推出“绿灯计划”，利用人工智能优化交通信号灯，减少停车等待时间和排放。他们使用谷歌地图数据创建模型，提供交通流量模式和交叉口协调机会的优化建议。该项目已在全球70个交叉口实施，每月可节省燃料并减少排放。团队计划将该项目扩展到数百个城市和数万个交叉口。

本文提出了一种新框架，改善恶劣天气下交通信号灯的目标检测，解决传统方法的领域转移问题。研究表明，在雪、雨、雾等天气条件下，检测精度显著提高，平均IoU和F1分数分别提升40.8%和22.4%。同时，比较了多种卷积神经网络模型在路面坑洞检测中的表现，ResNet和VGG16模型的最高精度达到98%。

本文提出了一种基于强化学习的电动汽车经济驾驶框架，旨在提高能源效率，优化交通信号灯控制和车辆决策。研究表明，该策略能显著降低燃油消耗和CO2排放，改善交通流，减少交通拥堵，具有重要的环境和安全意义。

该研究提出了一种利用高清地图中交通信号灯分配信息的新方法，通过分析交通信号灯状态和车辆运动模式自动推导交通灯分配，解决了信息手动提供的问题，并提供了数据集转换方法和公开 API，方便研究人员开发和评估自己的方法。