本研究探讨了自动驾驶车辆如何满足乘客的信息需求，强调在不同乘客和环境下成功互动的标准。通过三项实证研究，提出了量身定制的沟通策略，强调透明、适应性和个性化的AV系统对提升乘客信任和体验的重要性。

本研究探讨了无信号交叉口自动驾驶车辆（AV）与人类驾驶员（HV）之间的行为差异。通过分析Waymo和Lyft的数据，发现AV在安全边际和交互一致性方面表现出保守行为，这可能影响人类驾驶员的反应并带来安全隐患。此外，Waymo与Lyft之间存在显著的行为差异，强调了在交通管理中考虑制造商特定行为的重要性。

本文介绍了一种多传感器融合方法，用于支持自动驾驶车辆的安全过马路。该方法通过设计基于物理条件的危险函数，并使用多个传感器评估这些条件，提高决策准确性并支持安全评估。实验评估结果表明该方法在实验室环境中有效，并提供数据集供科学界进一步研究。该工作是在欧洲项目REXASI-PRO的框架下进行的，旨在为行动不便的人们的社交导航开发可信赖的人工智能。

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。

本文介绍了一种新的编码-解码体系结构，Fusion-GRU网络，用于预测自动驾驶车辆和高级驾驶辅助系统在复杂交通情景下的未来边界框定位。实验证明该方法在预测交通参与方未来边界框方面具有良好性能。

这篇综述研究了与连接和自动驾驶车辆相关的异常检测，发现神经网络和支持向量机是最常用的算法。模型通过多个评估指标进行评估，并提出了几项建议。对使用不同协议的入侵检测系统的研究还不足。

本论文提出了一套工具和实践方法，强调了标准化特定数据集在自动驾驶车辆行为预测算法研究中的使用。通过经验和综述当前文献，总结了预处理、可视化和评估的建议，形成了一个开源工具箱供研究人员使用。

本研究综述了自动驾驶车辆感知任务的大规模基准数据集的最新发展，包括车辆对基础设施、车辆对车辆和车辆对一切的协作感知数据集。分析了数据集的多样性、传感器设置、质量、公开可用性和适用性，并强调了解决隐私和安全问题的重要性。需要全面、全球可访问的数据集以及协作努力来克服挑战，发挥自动驾驶的潜力。

在部署自动驾驶车辆并获得实践经验后，需要重新审视计算机系统安全的定义和相关概念框架。无人驾驶模式增加了安全问题的范围，需要更新安全定义和方法，为其他自主系统应用提供安全术语的构建提供指导。

本文提出了一种基于数据驱动的框架，用于评估自动驾驶车辆的风险，并引入了反事实安全余量的概念。该方法适用于未知行为策略下的风险评估，并提供了第三方评估和供应商之间的相对风险洞察。

本文提出了一种新的实时方法，用于自动驾驶车辆在复杂城市环境下进行安全导航。该方法基于三维点云序列，可以检测和估计道路参与者的运动，并可推广到其他物体类别。作者还分析了不同的时间上下文聚合策略，并提供了与现有解决方案的比较结果。

介绍了一种基于扩散的场景生成架构，实现自动驾驶车辆场景生成。方法结合潜在扩散、目标检测和轨迹回归，生成代理人的姿势、方向和轨迹分布。通过地图和令牌组进行额外控制。适用于不同地理区域。

本研究评估了步行者轨迹预测技术与自动驾驶车辆中的常速模型的比较，并使用ETH/UCY数据集报告了位移误差。消融研究发现简单模型仍具有竞争力，某些特征对整体性能几乎没有影响。提出了指导未来轨迹预测算法发展的建议。

研究发现自动驾驶车辆的性能与预测范围有关，1.6秒的预测范围可防止与行人相撞，7-8秒的预测范围可实现最佳效率，15秒的预测范围可提高乘客舒适度。建议在涉及与行人相撞的应用中，使用11.8秒的预测范围作为一般指导。

本论文介绍了一种用于估计自动驾驶车辆和机器人应用的传感器设置的盲区的方法。该方法利用准确且详细的3D模拟环境，提供更实际的覆盖范围估计。通过使用LiDAR传感器的点云或高保真仿真目标场景的相机深度图像，该方法提供准确且可操作的可见性估计。通过基于蒙特卡洛的参考传感器仿真，能够准确地估计盲区大小，并了解任意位置上的物体检测概率。

通过使用田纳西州I-24高速公路的实际轨迹数据，在一条车道的仿真中运行深度强化学习方法来训练减少能耗的波浪平滑策略。在低4%的自动驾驶车辆渗透率下，可以实现超过15%的显著节省燃料。分析了控制器的平滑效果以及对仿真中添加车道变更和消除下游信息的鲁棒性。

城市交通正在转变，自动驾驶车辆的共享、连接和协作出现。研究提出了自主穿梭车的到达时间预测系统，使用停留时间和行驶时间模型，并通过五个城市的数据验证。预测结果令人满意，多站点预测错误率低。停留时间预测是自动穿梭车整体到达时间预测准确性的关键因素。研究为自主公共交通预测模型提供见解，为领域发展铺平道路。