本研究提出了一种混合注意力-曼巴框架（HAMF），旨在解决自主驾驶系统中的运动预测信息降级问题。通过共同编码场景上下文与未来运动状态，HAMF提高了运动预测的准确性和多样性。实验结果表明，该模型在Argoverse 2基准测试中表现优异。

本研究提出了一种基于Q-Compared Soft Actor-Critic（QC-SAC）算法的自主驾驶方法，旨在解决车辆过度转向和碰撞避免的安全问题。实验结果表明，该方法在安全性和驾驶策略上优于现有技术。

本研究提出了一种新的自主驾驶框架（iPad），旨在解决现有系统的信息损失和规划效率问题。通过引入锚定注意力机制，该框架显著提升了规划质量和效率，实验结果在多个基准测试中表现优异。

本文探讨了使用强化学习训练自主驾驶代理的挑战，特别是场景多样性对通用性和实际应用的影响。提出了一种自动课程学习框架，动态生成适应代理能力的驾驶场景，从而提高训练效率和策略有效性，显著改善了代理在不同交通密度下的成功率和收敛速度。

本文探讨了生成性人工智能在实现完全自主驾驶（5级）中的潜力与挑战，分析了生成建模在自动驾驶中的应用，如图像生成和轨迹规划，强调其在提升安全性和可靠性方面的重要性，并提出未来研究方向。

本研究解决了自主驾驶中的轨迹预测问题，强调因果关系的重要性。提出的新框架通过因果推理提升了预测的鲁棒性和准确性，评估结果优于现有方法，为构建更强大的自主驾驶系统奠定基础。

本研究提出了X-Driver框架，旨在提高自主驾驶系统在闭环评估中的成功率。该框架结合链式思维和自回归建模，增强了感知与决策能力。实验结果显示，X-Driver在多个任务中优于现有技术，提升了驾驶决策的可解释性，并强调了结构化推理的重要性。

本研究提出了一种合成数据增强流程，以模拟自主驾驶中的传感器故障，旨在提高物体检测和跟踪的鲁棒性。通过训练轻量级噪声识别神经网络，识别准确率达到54.4%，从而提升自动驾驶系统的稳定性和可靠性。

本研究提出了一种结合模型预测控制器和车载大语言模型的混合架构，以提升自主驾驶系统在复杂驾驶场景中的决策和人机交互能力，显著提高了推理准确性和控制适应性，支持实时部署。

本研究提出了一种新型无归一化变压器架构，结合动态Tanh和快照集成策略，以提高自主驾驶系统的轨迹预测准确性和稳定性。实验结果显示，该方法在Argoverse数据集上显著提升了预测精度和鲁棒性。

本研究探讨了人机交互中代理行为的可解释性，特别是在自主驾驶、工厂自动化和医疗领域。提出了一种新方案，以优化人类干预，防止代理采取不安全策略，并提升人类对代理的信心，从而提高系统效率。

本研究提出了一种具有推理和运动风格的认知层次代理（CHARMS），旨在解决自主驾驶模拟中的低智能和简单行为建模问题。CHARMS通过行为博弈论和深度强化学习，能够模拟人类驾驶决策，生成复杂多样的驾驶场景，从而提升车辆智能性，推动自主驾驶技术的发展。

本文提出了UniOcc，一个统一基准，用于占用预测，解决了依赖次优伪标签的问题。通过不依赖真实占用的评估指标和多样化训练数据，显著提升了自主驾驶领域的占用预测性能。

本文针对大型多模态模型在自主驾驶中的挑战，提出了知识编辑方法，并引入ADS-Edit数据集，以提升模型的性能和适应性。