Vehicle Fault-Tolerant Robust Power Transmission Line Inspection Planning
Czech Technical University（捷克理工大学）；Faculty of Electrical Engineering（电气工程学院）
本文将输电线路的容错巡检规划问题作为多旅行商问题的推广。所解决的检查规划问题制定为一个单一的仓库多辆车的情况下，检查车辆的电池预算限制其检查时间的约束。检查车辆被假定为自主多直升机，具有影响电池消耗的广泛的可能飞行速度。检查计划由车辆的多条路线表示，提供对检查目标电力线的完全覆盖。在执行检查计划期间随时可能发生检查车辆任务中断的情况下，将利用剩余车辆及其剩余电池预算重新规划检查。鲁棒性是通过为初始计划选择一个合适的成本函数来引入的，该成本函数最大化了成功重新规划的时间窗口。它使剩余车辆能够利用各自的剩余电池预算成功完成所有检查目标。一个组合的元启发式算法与各种成本函数用于规划和快速重新规划过程中的检查。
2023-02-02 cs.AI cs.RO
Long-Range Route-planning for Autonomous Vehicles in the Polar Oceans
British Antarctic Survey（英国南极调查局）；Schlumberger Cambridge Research（斯伦贝谢剑桥研究院）
在极地冰情条件下，对有人驾驶的自主水下航行器（AUV）的需求越来越大。目前，AUV是从船上部署的，并直接由人类驾驶，在这些地区，这带来了很高的碳成本，并限制了作业范围。长期自主任务的一个关键要求是远程路线规划能力，这种能力能够了解不断变化的冰况。在本文中，我们解决的问题，自动化远程航线规划的AUV在南大洋。我们提出的路线规划方法和结果表明，有效的，避免冰，长距离的穿越可以计划。
2021-11-20 cs.AI cs.RO
Deep Learning Based Motion Planning For Autonomous Vehicle Using Spatiotemporal LSTM Network
Beijing Jiaotong University（北京交通大学）
运动规划作为自主车辆自动导航的基础技术，在现实交通环境中仍然是一个具有挑战性的问题，主要应用于基于模型的方法。然而，由于交通状况的复杂性和边缘情况的不确定性，很难为自主车辆设计通用的运动规划系统。本文提出了一种基于深度学习的运动规划模型（称为时空LSTM网络），它能够基于时空信息提取生成实时反射。具体来说，基于时空LSTM网络的模型有三个主要结构。首先，使用卷积长短期记忆（Conv-LSTM）从序列图像数据中提取隐藏特征。然后，应用3D卷积神经网络（3D-CNN）从多帧特征信息中提取时空信息。最后，全连接神经网络被用来构建自主车辆转向角的控制模型。实验结果表明，该方法能够为自主车辆生成鲁棒、准确的视觉运动规划结果。
2019-03-05 cs.AI cs.CV
CauTraj: A Causal-Knowledge-Guided Framework for Lane-Changing Trajectory Planning of Autonomous Vehicles
Chongqing Jiaotong University（重庆交通大学）；Tongji University（同济大学）
CauTraj通过整合因果知识提升自动驾驶车辆车道变换轨迹规划的精度与稳定性。
2025-12-21 cs.AI cs.RO
Online Planning in Uncertain and Dynamic Environment in the Presence of Multiple Mobile Vehicles
Luddy School of Informatics, Computing, and Engineering at Indiana University（印第安纳大学卢迪信息学、计算与工程学院）；Expedia Group（亿客行集团）
研究了在时变不确定环境干扰下移动机器人在其他移动车辆存在下的自主导航问题。我们首先预测其他车辆的未来状态分布，以解释它们受时变干扰影响的不确定行为。然后，我们构建了一个动态障碍感知可达空间，其中包含了机器人，在其中搜索最优策略达到高概率的状态。由于，在一般情况下，车辆和环境干扰的动态是非线性的，我们利用非线性高斯滤波器-无迹变换-来近似未来的状态分布。最后，迭代前向可达空间计算和后向策略搜索直到收敛。广泛的模拟评估表明，该方法在计算时间，决策精度和规划可靠性方面具有显着的优势。
2020-09-08 cs.AI cs.RO
Shared Information-Based Safe And Efficient Behavior Planning For Connected Autonomous Vehicles
University of Connecticut（康涅狄格大学）
无线技术的最新进步使联网的自动驾驶汽车（CAV）能够通过车对车（V2 V）通信收集数据，例如来自其他车辆的处理后的激光雷达和摄像头数据。在这项工作中，我们设计了一个集成的信息共享和安全的多智能体强化学习（MARL）框架的CAV，利用额外的信息时，作出决策，以提高交通效率和安全。我们首先使用权重修剪卷积神经网络（CNN）在每个自动驾驶车辆本地处理原始图像和点云LIDAR数据，并与相邻CAV共享CNN-输出数据。然后，我们设计了一个安全的演员-评论家算法，利用车辆的本地观察和通过V2 V通信接收到的信息，探索一个有效的行为规划策略与安全保证。使用CARLA模拟器进行实验，我们表明，我们的方法提高了CAV系统的效率，在不同的CAV比率和不同的交通密度下的平均速度和舒适度。我们还表明，我们的方法避免了执行不安全的行动，并始终保持与其他车辆的安全距离。我们构建了一个弯道障碍场景，以表明共享视觉可以帮助CAV更早地观察障碍物并采取行动以避免交通堵塞。
2023-02-15 cs.AI cs.RO
RADMPC: A Fast Decentralized Approach for Chance-Constrained Multi-Vehicle Path-Planning
Computer Science and Artificial Intelligence Laboratory（计算机科学与人工智能实验室）；Massachusetts Institute of Technology（麻省理工学院）
本文提出了一种基于去中心化路径规划方法RADMPC的快速机会约束多车辆路径规划方法，通过评估车辆交互来确定需要耦合规划的车辆集，并利用IRA在较小的车辆集上快速规划安全路径，从而显著提高计算效率。
2018-11-25 cs.AI cs.MA cs.RO
Coverage Path Planning with Track Spacing Adaptation for Autonomous Underwater Vehicles
NATO STO Centre for Maritime Research and Experimentation (CMRE)（北约科技组织海事研究与实验中心）
在本文中，我们解决地雷对抗（MCM）的搜索问题的自主水下航行器（AUV）调查海底使用侧视声纳。我们提出了一种覆盖路径规划方法，适应AUV的轨道间距与收集更好的数据的目的。我们通过在传感器范围的尾部移动覆盖重叠来实现这一点，其中预期数据质量最低。为了评估该算法，我们收集了三个海上实验的数据。自适应调查允许AUV从传感器范围被高估的情况下恢复，并导致减少区域覆盖差距。在另一个实验中，自适应调查显示，近30%的“最差”数据的数据质量提高了4.2%。
2020-06-23 cs.AI cs.RO
Results of the 2024 CommonRoad Motion Planning Competition for Autonomous Vehicles
Technical University of Munich（慕尼黑技术大学）；RWTH Aachen（亚琛工业大学）；Harbin Institute of Technology（哈尔滨工业大学）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
2024年CommonRoad运动规划竞赛评估了自动驾驶车辆在高速公路和城市环境中的运动规划算法性能，通过四个维度比较了多种高性能规划器。
2025-12-22 cs.AI cs.RO
Electric Vehicle Charging Infrastructure Planning: A Scalable Computational Framework
Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）
由于交通系统和电网的网络规模不断增加，在大地理空间区域上的最优充电基础设施规划问题具有挑战性。因此，电动车辆行驶行为和充电事件之间的耦合是复杂的。本文重点介绍了一个可扩展的计算框架的示范电动汽车充电基础设施规划在紧密集成的交通和电网网络。在交通方面，充电配置文件生成策略，提出了利用电动汽车的能源消耗模型，行程路线，和充电器选择方法。在电网侧，利用遗传算法内的最优潮流程序来解决最优充电器放置问题的整数变量，通过自适应地评估候选解决方案在当前迭代和生成新的解决方案，为下一次迭代。
2020-11-17 cs.AI cs.NE eess.SP
Decentralized Cooperative Planning for Automated Vehicles with Continuous Monte Carlo Tree Search
FZI Research Center for Information Technology（FZI信息技术研究中心）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
城市交通场景通常需要交通参与者之间的高度合作，以确保安全和效率。通过观察他人的行为，人类可以推断出他人是否在合作。这项工作旨在扩展自动驾驶汽车的能力，使它们能够在异构环境中进行隐式合作。连续的行动允许任意的轨迹，因此适用于更广泛的一类问题比现有的合作方法与离散的行动空间。蒙特卡罗树搜索（MCTS）结合解耦UCT，基于其他智能体的合作建模，以合作和分散的方式评估每个智能体的行动值，尊重交通参与者之间的相互依赖性。连续动作空间的扩展是通过将新的MCTS特定的增强有效的搜索空间探索。在不同的场景下对该算法进行了评估，结果表明该算法能够实现有效的协同规划，并生成自我中心规划无法识别的解。
2018-09-10 cs.AI cs.RO
Towards Scalable & Efficient Interaction-Aware Planning in Autonomous Vehicles using Knowledge Distillation
Honda Research Institute（本田研究所）
本文提出利用知识蒸馏训练更小的预测网络，在保持交互感知轨迹规划精度的同时显著加速自动驾驶汽车的约束优化求解过程。
2024-04-02 cs.AI cs.LG cs.RO
$ε^*$+: An Online Coverage Path Planning Algorithm for Energy-constrained Autonomous Vehicles
University of Connecticut（康涅狄格大学）
本文提出了一种新的算法，称为$ε^*$ +，使用能量受限的自主车辆的未知环境的在线覆盖路径规划。由于有限的电池尺寸，能量受限的车辆具有有限的操作时间持续时间。因此，在执行覆盖轨迹时，车辆必须在电池耗尽之前返回充电站进行充电。在这方面，$ε^*$ +算法使得车辆能够基于在整个覆盖过程中监测的剩余能量退回到充电站。这之后是一个前进轨迹，它将飞行器带到附近未探测的航路点重新开始覆盖过程，而不是将其带回到撤退轨迹的先前遗留点;从而减少了整体覆盖时间。所提出的$ε^*$ +算法是$ε^*$算法的扩展，该算法利用探索性图灵机（ETM）作为管理器，以来回轨迹导航车辆以实现完全覆盖。$ε^*$ +算法的性能在复杂场景中使用Player/Stage（高保真机器人模拟器）进行了验证。
2020-08-29 cs.AI cs.RO cs.SY
An Online Ride-Sharing Path Planning Strategy for Public Vehicle Systems
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（深圳先进技术研究院，中国科学院）
本文提出一种高效的在线拼车路径规划策略，通过过滤不符合乘客服务质量的请求，将全局搜索转化为局部搜索，从而降低计算复杂度，实验表明计算时间比穷举法减少22%。
2017-12-27 cs.AI cs.SY eess.SY
Hierarchical Game-Theoretic Planning for Autonomous Vehicles
University of California, Berkeley（加州大学伯克利分校）；KTH Royal Institute of Technology（KTH皇家理工学院）；Stanford University（斯坦福大学）
自动驾驶汽车在道路上的行为会影响其他驾驶员的行为，无论是超车、谈判合并还是避免事故。这种相互依赖，最好用动态博弈论来描述，在车辆的规划和对其他驾驶员行为的预测之间建立了强耦合，并构成了一个直接影响自动驾驶技术安全性和可行性的开放性问题。不幸的是，动态游戏的计算要求太高，无法满足自动驾驶在连续状态和动作空间中的实时约束。在本文中，我们介绍了一种新的游戏理论的自动驾驶轨迹规划算法，使实时性能分层分解的基础动态游戏到一个长期的“战略”游戏，简化的动态和完整的信息结构，和一个短期的“战术”游戏，完整的动态和简化的信息结构。战略博弈的价值被用来指导战术规划，隐含地扩展规划范围，推动局部轨迹优化更接近全局解决方案，最重要的是，定量地考虑自动驾驶汽车和人类驾驶员相互影响的能力和激励。此外，我们的方法承认人类决策的非确定性模型，而不是依赖于完全理性的预测。与现有技术相比，我们的研究结果展示了更丰富，更安全，更有效的自主行为。
2018-10-13 cs.AI cs.MA cs.RO
Collaborative vehicle routing: a survey
University of Vienna（维也纳大学）
在横向合作中，承运人结成联盟，以便共同执行其部分物流业务。通过相互交换运输请求，它们可以更有效地运营，并以更可持续的方式运营。协作车辆路径已在文献中得到广泛讨论。我们确定了三个主要的研究流：（i）集中的协作规划，（ii）分散的计划，没有拍卖，（ii）基于拍卖的分散的规划。对于他们中的每一个，我们给出了一个结构化的知识状态的概述，并讨论未来的研究方向。
2017-06-13 cs.AI cs.CY cs.MA
Parting with Misconceptions about Learning-based Vehicle Motion Planning
University of Tübingen（图宾根大学）；Tübingen AI Center（图宾根人工智能中心）；Robert Bosch GmbH（罗伯特·博世有限公司）
针对nuPlan中短期规划与长时自车预测目标不一致的问题，本文分析闭环与开环任务特性，提出仅依赖车道图搜索中心线的简单高效规划器，并赢得nuPlan 2023挑战赛。
2023-11-02 cs.AI cs.CV cs.LG
T$^{\star}$-Lite: A Fast Time-Risk Optimal Motion Planning Algorithm for Multi-Speed Autonomous Vehicles
University of Connecticut（康涅狄格大学）；Naval Undersea Warfare Center（海军水下作战中心）
在本文中，我们开发了一种新的算法，称为T $^{\star}$ -Lite，使变速自动驾驶汽车的快速时间风险最优运动规划。T $^{\star}$ -Lite算法是先前开发的T $^{\star}$算法的显著更快版本。T $^{\star}$ -Lite使用T $^{\star}$的新时间风险成本函数;然而，它使用的不是基于网格的方法，而是基于渐进最优采样的运动规划器。此外，它利用最近开发的广义多速度Dubins运动模型（GMDM）的样本到样本kinodynamic运动规划。基于样本的方法和GMDM显着降低了计算负担的T $^{\star}$，同时提供合理的解决方案的质量。采样点从由两个位置坐标加上车辆航向和速度组成的四维配置空间中绘制。具体而言，T $^{\star}$ -Lite使运动规划器能够根据车辆与障碍物的接近程度选择车辆速度和方向，以生成更快、更安全的路径。在本文中，T $^{\star}$ -Lite是使用RRT $^{\star}$运动规划器开发的，但适应其他运动规划器是简单的，取决于规划器的需要
2020-08-29 cs.AI cs.RO cs.SY
Online Risk-Bounded Motion Planning for Autonomous Vehicles in Dynamic Environments
MIT Computer Science and Artificial Intelligence Laboratory（麻省理工学院计算机科学与人工智能实验室）
本文提出了一种在线风险受限的运动规划方法，通过结合意图识别算法和POMDP求解器，生成安全高效的路径规划方案，尤其在无保护左转和变道等复杂环境中表现更优。
2019-04-04 cs.AI cs.RO cs.SY
