复杂城市驾驶场景中，第一个证明了用策略梯度学习，可以从大量真实世界演示数据中学习模仿驾驶策略；一个新的可微分仿真器，可基于过去的数据进行闭环仿真，并通过时间的反向传播计算策略梯度，实现快速学习；单纯在仿真器中训练可在真实世界中控制自动驾驶车辆，优于其他方法；
Autonomous Driving | DriverGym Democratising Reinforcement Learning for Autonomous Driving
DriverGym仿真环境介绍
Autonomous Driving | Model-based offline planning
由于成本、安全性等因素，很多情况下不能够直接与系统交互来学习控制策略，因此，只能从记录的log数据中学习控制策略（offline reinforcement learning）。本文介绍了一种从log数据中学到超越成圣log数据的原策略的新策略的方法，命名为 model-based ofline planning (MBOP)。
Autonomous Driving | A Review of Motion Planning for Highway Autonomous Driving
高速路具有路径高速（high speed）、路径曲率小（small curvature roads）、规则具体（specific driver rules）的几项特点。
使用VSCode调试带参数的Python脚本
linux系统上执行带参数的python程序直接添加-arg xxx即可。但在VSCode调试模式（Debug）下该执行方式不可行。那么是否有办法在VSCode上调试带参数的python脚本呢？
Autonomous Driving | MotionCNN: A Strong Baseline for Motion Prediction in Autonomous Driving (2022)
MotionCNN
Network Structure | A ConvNet for the 2020s (Facebook, 2022)
纯卷积的网络堪比transformer
Autonomous Driving | ChauffeurNet: Learning to Drive by Imitating the Best and Synthesizing the Worst (Waymo, 2018)
ChauffeurNet