本研究提出了一种基于上下文学习的运动规划方法，通过大型语言模型将文本描述转化为脚本，生成多样化的交通场景。实验结果表明，使用合成数据训练的规划器性能显著优于仅使用真实数据训练的规划器，验证了合成数据的有效性。

本研究提出深度运动因子化（DeepMF）框架，通过贝叶斯因子化和解耦深度神经网络，有效生成安全关键的交通场景，提升风险管理和多样性，适用于自动驾驶系统。

本研究提出了一种结合卷积神经网络与数据融合的框架，以提高复杂交通场景中对车辆和行人的检测效率。结果表明，该模型在不同交通条件下的测量误差不显著。

本文介绍了一种基于区域关系学习的模型，用于预测交通场景中人类的轨迹。该模型通过模拟人流密度变化来模拟社交互动，并利用条件变分自编码器实现多目标估计和多样化未来预测。实验结果表明，该模型在ADE/FDE指标上表现优于现有模型。

本论文介绍了利用提升式激光雷达传感器改善城市环境中的三维物体检测能力的方法，并优化了基于点体素区域的卷积神经网络架构。实验结果表明该解决方案有效地检测交通场景中的物体，并强调激光雷达对提升城市安全和推动智能交通系统的作用。

本论文提出了一种验证自动驾驶系统安全特性的实用方法，通过建立代理模型描述交通场景下的行为，并探索危险驾驶的参数空间。通过评估多个模拟交通场景，展示了该方法的实用性。

该研究介绍了EuroCity Persons数据集，该数据集提供了准确详细的交通场景中行人、骑车人和其他骑车人的标注。研究优化了四种深度学习方法来服务于新的对象检测基准测试。

本论文提出了一种验证自动驾驶系统安全特性的实用方法，通过建立代理模型描述交通场景下的行为，并评估多个模拟交通场景的安全特性。

本研究提出了一种新颖的基于文本的交通场景表示方法，使用预训练语言编码器进行处理。实验结果显示，联合编码器优于各自编码器，具有互补的优势。

该论文研究了在交通和监视场景中隐藏路线中间点的重要目标，并提出了中转匿名性的概念以保证特定中转点的匿名性。同时，提出并评估了满足匿名标准的规划/搜索算法。

该研究使用虚拟现实和交通微模拟集成的实验环境，探索了驾驶员介入行为的新视角，改善了自动驾驶在不同交通场景下的性能，并提供了综合与沉浸式工具。

本论文提出了一种验证自动驾驶系统安全特性的实用方法，通过建立代理模型描述交通场景下的行为，并探索危险驾驶的参数空间。通过评估多个模拟交通场景，展示了该方法的实用性。