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。

近年来，自动驾驶领域取得重大进展，但半挂车辆研究较少。本研究使用CARLA和环形交叉口场景开发了卡车和挂车模型，并建立了基准数据集。通过双q软件参与者算法训练的自动驾驶模型，在不同环形交叉口上成功率达73%。

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。