AGL-NET 提出了一种新型全球定位方法，结合 LiDAR 点云和卫星地图，解决了数据表征和尺度差异问题。该方法通过统一网络架构和创新的匹配设计，消除了预处理需求，提升了实际应用性。研究在 CARLA 模拟器中引入数据集以评估性能，代码和数据集将公开。

本文综述自动驾驶仿真技术，涵盖增强现实模拟、虚幻引擎模拟器、神经渲染合成驾驶场景、CADSim车辆重建、生成式AI交通数据合成、GeoSim图像合成、AdvSim对抗场景生成及CARLA开源模拟器，旨在提升自动驾驶系统训练测试的真实性与安全性。

该文综述强化学习在自动驾驶与交通仿真中的研究，涵盖闭环模拟学习、风险感知奖励塑形、预测约束探索、模仿学习与分层框架，并在CARLA等模拟器中验证车道保持、避让及交通控制策略，提升安全性与真实性。

近年来，自动驾驶汽车研究集中在级别4和5，对感知、决策和控制技术的发展兴趣增加。研究发现，在恶劣天气条件下，传感器难以准确检测物体。因此，研究者通过CARLA模拟器构建了一个新的数据集，用于测试不同降水条件下的网络模型。最终，使用YOLO系列检测器对不同降水条件下的物体检测性能进行了验证。

CARLA是一种自监督对比表示学习方法，用于时间序列异常检测。它通过学习时间上接近的窗口的相似表示和窗口及其等效异常窗口的不相似表示，以及使用自监督方法对窗口的正常/异常表示进行分类。CARLA在多个基准数据集上表现出比现有方法更好的性能，突显了对比表示学习在时间序列异常检测领域的潜力。