自动驾驶领域的研究大多集中在城市道路、十字路口等规范性场景中。而对于泊车、施工现场、码头等“非标准”场景，由于其环境狭窄，且障碍物较多，车辆的行为模式也复杂多样，无法简单套用城市道路的解决方案。

针对这些狭窄环境，加州大学伯克利分校在读博士沈煦等研究人员通过结合深度学习、强化学习、基于模型的优化与预测控制等方法，研究以停车场为例的狭窄环境中如何有效预测其他车辆的行为意图和未来轨迹，解决多车冲突问题（Conflict Resolution），并生成符合车辆运动学特性和安全约束的最优轨迹。

该团队发布了首个停车场环境下的高精度视频+轨迹数据集Dragon Lake Parking Dataset，并提出了一种基于CNN和Transformer的行为和轨迹预测模型ParkPredict+。此外，还结合强化学习与优化方法，解决了狭窄空间内的多车冲突问题（Conflict Resolution）。相关论文成果分别收录于IEEE ITSC 2022、IFAC World Congress 2023、IEEE IV 2023 顶会上。