基本信息：
朱美新，博士，教授，博士生导师，交通学院 智慧交通与空间信息系
办公地点：东南大学九龙湖校区交通学院908室
联系方式：meixin@seu.edu.cn
朱美新，国家级高层次青年人才，东南大学交通学院青年首席教授，本科及硕士毕业于同济大学交通工程专业，博士毕业于美国华盛顿大学土木与环境工程。加入东南大学之前任香港科技大学（广州）智能交通学域助理教授以及香港科技大学联合聘任助理教授。
围绕驾驶行为、自动驾驶、智能交通、交通人工智能等领域展开研究。在国际知名期刊和学术会议发表论文100余篇，JCR Q1 SCI/SSCI期刊论文50篇，包含Nature子刊Nature Reviews Electrical Engineering论文1篇，ESI高被引论文2篇（引用前1%）、TR-C最高引论文2篇（引用量前8）。2020年8月正式发表的1篇第一作者论文累计被引431次，入选TR-C近三年文章引用量前三。论文在Google Scholar累计被引2300余次（单篇最高引用546次，第一作者），学术影响因子19。
基于大规模真实世界驾驶数据与深度强化学习方法，分别构建了拟人化跟驰模型（Zhu et al., 2018）和多目标优化（安全-效率-舒适性）的自动驾驶控制算法（Zhu et al., 2020），并进一步扩展至自动驾驶拟人化技术综述（Lu et al., 2025）。通过生成式预训练基础模型BevGPT（Wang et al., 2024）和大型语言模型（Han et al., 2024; Peng et al., 2025），实现了自动驾驶预测-决策-规划的闭环奖励设计与可解释轨迹预测。结合AI研究代理（Guo et al., 2024）推动AI for Traffic Science，结合大模型构建可解释交通流预测框架（Guo et al., 2024）。
研究工作被国内外学者多次正面引用和积极评价。例如，驾驶行为与决策方面的相关工作被13位国内外院士和30余位IEEE Fellow正面引用和评价。担任美国土木工程师协会（ASCE）交通发展分会（T&DI）人工智能委员会委员、ASCE T&DI车路协同与自动驾驶委员会委员、TRB网联和自动驾驶交通流分委员会委员。获邀为交通、机器人和计算机领域TR-C、IEEE T-ITS、IEEE TPAMI、IEEE Transactions on Robotics，NeurIPS、ICML等70多个国际期刊及会议审稿人。
主持、参与国家自然科学基金委、美国交通部、美国能源部等科研项目20余项研。究成果应用于Amazon等，参与自动驾驶知名开源平台nuPlan开发；提出的信制算法应用于美国能源部信号控制试点城市。担任IEEE T-IV副主编, Scientific Data编委。获美国统计学会(ASA)交通研究分会(TSIG)最佳学生论文奖、TRB人工智能委员会最佳博士论文奖等奖项。
欢迎对智能交通、交通人工智能、自动驾驶感兴趣，并在代码、人工智能、机器人、数理基础中具有优势的候选人申报。团队长期招收实习生、硕士、博士、“至善博士后”、全职/在职博士后、专职科研人员等。
谷歌学术主页：https://scholar.google.com/citations?user=5Ysgg7AAAAAJ&hl=en
代表作：
Zhu, M., Wang, X., & Wang, Y. (2018). Human-like autonomous car-following model with deep reinforcement learning. Transportation research part C: emerging technologies, 97, 348-368.
Zhu, M., Wang, Y., Pu, Z., Hu, J., Wang, X., & Ke, R. (2020). Safe, efficient, and comfortable velocity control based on reinforcement learning for autonomous driving. Transportation Research Part C: Emerging Technologies, 117, 102662.
Lu, H., Zhu, M., & Yang, H. (2025). Human-like driving technology for autonomous electric vehicles. Nature Reviews Electrical Engineering, 1-2.
Wang, P., Zhu, M., Zheng, X., Lu, H., Zhong, H., Chen, X., ... & Wang, F. Y. (2024). Bevgpt: Generative pre-trained foundation model for autonomous driving prediction, decision-making, and planning. IEEE Transactions on Intelligent Vehicles.
Guo, X., Yang, X., Peng, M., Lu, H., Zhu, M., & Yang, H. (2024). Automating Traffic Model Enhancement with AI Research Agent. arXiv preprint arXiv:2409.16876.
Han, X., Yang, Q., Chen, X., Cai, Z., Chu, X., & Zhu, M. (2024). Autoreward: Closed-loop reward design with large language models for autonomous driving. IEEE Transactions on Intelligent Vehicles.
Peng, M., Guo, X., Chen, X., Chen, K., Zhu, M., Chen, L., & Wang, F. Y. (2025). Lc-llm: Explainable lane-change intention and trajectory predictions with large language models. Communications in Transportation Research, 5, 100170.
Guo, X., Zhang, Q., Jiang, J., Peng, M., Zhu, M., & Yang, H. F. (2024). Towards explainable traffic flow prediction with large language models. Communications in Transportation Research, 4, 100150.
