本研究针对自主车辆在识别稀有故障模式时的挑战，提出利用生成和可解释的人工智能技术，生成多样化的环境图像和自然语言描述，以提高AV系统的安全性和可靠性。

本研究提出了一种混合经典-量子深度学习模型（HCQ-DL），旨在提高自主车辆感知模块在对抗攻击下的鲁棒性。HCQ-DL在PGD攻击中保持85%的准确率，显著优于传统模型，有效解决了交通标志分类中的错误问题。

本研究提出了一种将知识图谱与传感器系统结合的方法，解决自主车辆在推断障碍物材质属性方面的不足。该方法显著提升了自主车辆的障碍管理能力，改善了应急制动和变道的表现，具有广泛的应用潜力。

本研究提出了一种新方法，解决自主车辆与人类互动中的透明性和可解释性问题。通过加权学习奖励指标，提升了代理的因果推理能力，实验结果在真实驾驶数据集上表现优异。

本研究提出了一种基于图优化的空间-时间轨迹规划方法，旨在解决自主车辆在复杂城市环境中实时规划安全轨迹的问题。该方法通过构建语义空间-时间图，快速生成可行轨迹，并在实验中验证了其在复杂公共道路场景中的实时处理能力。

本研究提出了一种结合强化学习与自适应正交频分复用（OFDM）技术的方法，以应对自主车辆中毫米波通信和传感的动态性与不确定性。该方法有效建立稳定的通信链路，精确估计周围物体的速度，显著改善通信性能和感知精度，具有实际应用潜力。

本文解决了机器人应用中事件驱动视觉和尖峰神经网络数据集缺乏多样性的问题。通过eWiz库和eCARLA-scenes合成数据集，提供了多样化的光流预测环境数据，为自主车辆导航奠定基础。

本研究提出了一种名为ADAV的实时防御方法，针对自主车辆物体检测中的物体消失对抗补丁攻击。该方法利用前一帧的上下文信息，判断当前帧与参考帧的输出一致性，有效识别潜在对抗补丁，展现出低延迟处理能力和良好的实际应用表现。

本研究提出了doScenes数据集，旨在解决自主车辆如何有效整合人类指令的问题。该数据集结合多模态传感器数据与自然语言指令，为人机协作导航开发新策略奠定基础。

本文提出了一种新颖的依赖感知任务调度策略，结合马尔可夫决策过程和基于扩散的强化学习算法，实时调度无人机辅助的自主车辆任务，有效缩短任务完成时间。

自主车辆需要行驶超过110亿英里以确保安全性。近年来，自主驾驶模拟测试环境从2D过渡到3D模型。本论文提出了一个基于深度强化学习的自动生成程序的框架，用于生成二维地面脚本代码，构建三维模型文件和地图模型文件。实验者可以在Carla模拟器中使用生成的场景进行导航算法模拟测试。

该论文提出了一种基于强化学习的方法来表征自主车辆 (LiDAR) 感知系统在恶劣天气条件下的故障，并发现高概率故障并保持可计算性。该方法对未来自主驾驶感知系统的开发具有参考价值。

该研究提出了一种新的方法来解决自主车辆感知系统中相机和雷达传感器融合的三维物体检测问题。该方法利用深度学习和跨域空间匹配提高物体检测性能，并与其他方法进行了比较。结果显示该方法在单传感器解决方案上表现出优异性能。

本文提出了一种概率框架，用于联合预测多个交通参与者的连续运动和交互持续时间，以提高预测性能和效率。该框架包含上层模块预测车辆意图和下层模块预测其他实体运动，为自主车辆的决策和规划提供支持。

本文评述了数字孪生在自主车辆工业中的应用，强调了数据收集、实时分析和模拟能力的重要性，以提高性能和可靠性。同时，探讨了数字孪生的技术挑战和中心技术，并对不同方法进行了对比分析。最后，讨论了数字孪生在自主车辆行业中的应用挑战和限制。

本文探讨了数字孪生在自主车辆工业中的应用，强调了数据收集、实时分析和模拟能力的重要性，对技术挑战和中心技术进行了对比分析，并讨论了应用挑战和限制。

本论文提出了一种名为Scene Informer的方法，用于自主车辆在复杂和动态环境中导航。该方法可以同时预测观察到的代理的轨迹和推断遮挡物。在 Waymo Open Motion 数据集的部分可观测设置中，该方法在占用预测和轨迹预测方面优于现有方法。

该文介绍了一种基于历史交通数据的方法，使用概率车道图和强化学习技术改善自主车辆的安全性。工程师可以生成新颖、逼真的边界情况，并解释为什么这些情况是安全关键的。

本文评述了数字孪生在自主车辆工业中的应用，重点关注数据收集、实时分析和模拟能力的重要性。同时讨论了数字孪生的技术挑战和中心技术，并对智慧城市中自主车辆使用的不同方法进行了对比分析。最后讨论了数字孪生在自主车辆行业中的应用挑战和限制。