Energy Efficient Automated Driving as a GNEP: Vehicle-in-the-loop Experiments
本文将多车换道节能运动规划建模为广义纳什均衡问题,利用车对车意图共享和MPC求解,并通过软件在环与车辆在环实验验证其在能耗和行程时间上的优势。
2024-11-21 cs.SY eess.SY
Safe Imitation Learning on Real-Life Highway Data for Human-like Autonomous Driving
本文提出了一种安全的模仿学习方法,自动驾驶汽车驾驶,关注现实生活中的人类驾驶数据和实验验证。为了增加乘员的接受度并获得驾驶员的信任,自动驾驶功能需要提供安全和舒适的行为,例如无风险和自然驾驶。我们的目标是通过从人类驾驶数据中模仿学习规划策略来获得这种行为。特别是,我们建议将障碍函数和光滑样条运动参数化的训练损失函数。优点是双重的:提高学习算法的安全性,同时减少所需的训练数据量。此外,行为是从高速公路驾驶数据中学习的,这些数据由人类驾驶员持续收集,然后针对特定的驾驶场景进行处理。为了进行开发验证,将真实测试车辆、传感器和交通场景的数字孪生模型重建为高保真和基于物理的建模技术。这些模型被导入到仿真工具中,并与所提出的算法进行联合仿真,以进行验证和进一步测试。最后,我们提出了实验结果和分析,并与传统的模仿学习技术(行为克隆),以证明所提出的发展。
2021-10-08 cs.SY eess.SY
Energy-based Assessment and Driving Behavior of ACC Systems and Humans Inside Platoons
本研究通过实证观测对比商用ACC系统与人类驾驶员在车队跟驰中的能耗特性与行为差异,发现ACC存在能耗向上游传播等特点,需优化以平衡功能与生态驾驶需求。
2023-06-12 cs.SY eess.SY
Survey on Human-Vehicle Interactions and AI Collaboration for Optimal Decision-Making in Automated Driving
该综述梳理了自动驾驶领域人车交互与AI协作的最新进展,分析发展历程与现存问题,介绍融合人类认知、模拟人类行为的相关技术,旨在助力开发更高效适配的自动驾驶系统。
2024-12-11 cs.SY eess.SY
Developing Robot Driver Etiquette Based on Naturalistic Human Driving Behavior
本文研究机器人驾驶礼仪问题,通过分析自然驾驶数据库提取人类驾驶行为关键参数,为未来高自动化车辆算法设计和仿真中的人类驾驶行为建模提供指导。
2018-08-01 cs.RO cs.SY eess.SY
A Nonlinear Car-following Controller Design Inspired By Human-driving Behaviors to Increase Comfort and Enhance Safety
本文研究了车辆跟驰问题,提出了一种综合考虑驾驶舒适性、安全性、稳态响应和瞬态响应的非线性控制器。该控制器是根据汽车工业对低成本、快速响应、提高舒适性、增强安全性和提高可扩展性的要求而设计的。详细提供了设计见解和直觉。对闭环系统的对象稳定性、串稳定性和跟踪性能进行了理论分析。为控制参数的选择提供了条件和指导。进行了全面的仿真,以证明所提出的控制器在不同的驾驶场景的有效性。
2022-05-04 cs.SY eess.SY
Energy-Efficient Driving in Connected Corridors via Minimum Principle Control: Vehicle-in-the-Loop Experimental Verification in Mixed Fleets
互联和自动驾驶车辆(CAV)可以规划和执行控制,明确考虑性能,系统安全和驱动约束,其方式比人类驾驶的同行更有效。特别是,通过共享即将到来的信号相位和时间(SPaT)的信号走廊的信息交换,实现了生态驾驶。这是在所提出的控制方法,它遵循第一原则,规划一个自由流的加速度最优轨迹通过绿色交通灯间隔庞特里亚金的最小值原则的反馈方式。城市条件,然后强加从外来交通组成的混合物的人类驾驶的车辆(HV)-以及其他CAV。因此,通过实施模型预测控制器(MPC)来实现安全的干扰补偿,以通过根据需要发出制动命令来预测和避免碰撞。该控制策略通过嵌入到通过微观仿真实现的虚拟交通走廊中的原型CAV的车辆在环(VIL)进行实验验证。与人类模型驾驶员相比,所提出的控制方法可节省高达36%的燃油,并且发现自动化方法中的连接性比没有自动化的情况下提高了高达26%的燃油经济性。此外,测量了人类驾驶员在下游CAV后面驾驶时可实现的被动能源效益,当驾驶在具有连接功能的自动化车辆的小范围内时,HV可节省高达22%的燃油。
2022-11-17 cs.SY eess.SY
Mitigating Degradation Attacks in Cooperative Autonomous Driving via Intention Sharing: A Vehicle-in-the-Loop Study
Clemson University(克莱姆森大学);Argonne National Laboratory(阿贡国家实验室);South Carolina State University(南卡罗来纳州立大学)
本研究通过车在环实验验证了意图共享策略可增强模型预测控制器在拒绝服务攻击下的鲁棒性,消除碰撞并维持接近标称水平的行为。
2026-09-10 cs.SY eess.SY
LimSim++: A Closed-Loop Platform for Deploying Multimodal LLMs in Autonomous Driving
Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);College of Control Science and Engineering, Zhejiang University(浙江大学控制科学与工程学院)
针对现有自动驾驶仿真平台的不足,研究团队推出LimSim++闭环仿真平台,支持多模态大语言模型的长周期多场景仿真、评估与优化,还提供基线框架并经定量实验验证,已开源。
2024-04-12 cs.RO cs.SY eess.SY
Hardware-in-the-Loop Evaluation of Game-Theoretic Autonomous Driving
Virginia Tech(弗吉尼亚理工大学)
本文通过三阶段评估流程(包括物理QCar 2硬件在环实验),评估了基于纳什和斯塔克尔伯格博弈的自主交叉路口控制器,并强调了从仿真到物理实现时考虑传感不确定性的重要性。
2026-09-22 cs.SY eess.SY
Closed-Loop Refinement and Execution for Learned Driving Planners
Cornell University(康奈尔大学)
针对学习型驾驶规划器闭环中的失效问题,提出分层递推时域控制框架CLRE,通过最优控制与OBB可行性筛选执行安全轨迹,在Bench2Drive上显著提升驾驶得分与路线完成率并减少碰撞。
2026-10-06 cs.RO cs.SY eess.SY
MPC-based Imitation Learning for Safe and Human-like Autonomous Driving
Siemens Digital Industries Software(西门子数字工业软件);KU Leuven(鲁汶大学);Flanders Make(法兰德斯制造研究院)
为了确保用户接受自动驾驶车辆(AV),正在开发控制系统以从所需驾驶行为的演示来模仿人类驾驶员。模仿学习(IL)算法服务于此目的,但难以在所得到的闭环系统轨迹上提供安全保证。另一方面,模型预测控制(MPC)可以处理具有安全约束的非线性系统,但是用它来实现类似人类的驾驶需要广泛的领域知识。这项工作建议使用两种技术的无缝结合,学习安全AV控制器从所需的驾驶行为的演示,通过使用MPC作为一个可区分的控制层内的分层IL政策。通过这种策略,IL通过MPC成本、模型或约束中的参数在闭环和端到端中执行。这种方法的实验结果进行了分析,车道保持控制系统的设计,通过行为克隆观察(BCO)的经验教训,在一个固定底座的驾驶模拟器上的人类演示。
2022-06-24 cs.RO cs.SY eess.SY
A Learning-Based Tune-Free Control Framework for Large Scale Autonomous Driving System Deployment
Baidu USA LLC(百度美国有限责任公司)
本文提出了一种无调谐(人的闭环参数调整)控制框架的设计,旨在加速部署在各种车辆和驾驶环境的大规模自动驾驶系统。该框架由三个基于机器学习的过程组成,它们共同自动化自动驾驶的控制参数整定,包括:基于学习的动态建模过程,以使控制在环仿真具有高精度的车辆动力学参数整定;基于学习的开环映射过程,以解决前馈控制参数整定;更重要的是,基于贝叶斯优化的闭环参数整定过程,以自动整定反馈控制(PID、LQR、MRAC、MPC等)。模拟环境中的参数。本文表明,在控制性能的改善与参数整定效率的显着增加,在仿真和道路试验。该框架已在美国和中国的不同车辆上进行了验证。
2020-11-09 cs.LG cs.RO cs.SY
Real-time Nonlinear MPC Strategy with Full Vehicle Validation for Autonomous Driving
在本文中,我们提出了一个嵌入式的最佳控制策略的开发和部署的自动驾驶应用程序的福特福克斯公路车辆。针对具有强实时约束的系统,设计并实现了非线性模型预测控制。我们展示了适合于驾驶任务的序列二次规划(SQP)优化求解器的特性。重要的是,设计的算法基于标准的汽车XiL开发周期进行验证:具有高保真车辆动力学的模型在环(MiL),具有车辆驱动和嵌入式平台的硬件在环(HiL)以及完整的车辆硬件在环(VeHiL)。自动驾驶环境包含虚拟仿真和物理试验场轨道。通过与目标嵌入式工具链兼容的代码生成,使用可部署的C代码对NMPC算法和最优控制问题公式进行微调。最后,所开发的系统应用于自主避碰,轨迹跟踪,并在高速城市/高速公路和低速停车环境中的车道变化。
2022-12-15 cs.SY eess.SY
A Vehicle-in-the-Loop Simulator with AI-Powered Digital Twins for Testing Automated Driving Controllers
Department of Electrical Engineering, Eindhoven University of Technology(电子工程系,埃因霍温理工大学);Siemens Digital Industries Software(西门子数字工业软件);Department of Mechanical Engineering, Eindhoven University of Technology(机械工程系,埃因霍温理工大学)
本文提出一种结合缩比实体车辆与AI驱动数字孪生体的车辆在环仿真器,以低成本、高保真且易扩展的方式验证自动驾驶控制器,并通过带形式化安全保证的滤波控制基准和实验证明了其有效性。
2025-07-03 cs.RO cs.SY eess.SY
Comfort-oriented driving: performance comparison between human drivers and motion planners
Delft University of Technology(代尔夫特理工大学)
运动规划是自动驾驶汽车的基本组成部分。它会影响乘坐的舒适性和时间效率。尽管有大量的研究致力于改善自动驾驶汽车的运动舒适性,但很少有人关注人类驾驶员的表现作为基线。在本文中,我们提出了一个实验研究,在公共道路上使用仪表车调查人类驾驶员如何平衡舒适性和时间效率。将人类驾驶数据与我们过去开发的两种基于优化的运动规划器进行比较。在行驶时间没有差异的情况下,人类驾驶员在纵向和横向加速度信号中产生的能量平均比最小化加速度的运动规划器多23.5%。在与运动病发生率相关的频率加权加速度能量指标方面,平均性能缺陷上升到70.2%。频域分析表明,人类驾驶员在0.2-1 Hz的频率范围内表现出更多的纵向振荡,在高达0.2 Hz的频率范围内表现出更多的横向振荡。这反映在时域数据特征中,例如较不平滑的速度曲线和长转弯的较高速度。性能差异还部分地由人类驾驶员在规划和控制车辆运动时考虑的几个实际问题和附加因素引起。本研究中收集的驾驶数据为运动规划算法提供了性能基线,可以与之进行比较,并可以进一步利用以加深对人类驾驶员的理解。
2023-01-25 cs.RO cs.SY eess.SY
Human-Like Decision Making for Autonomous Driving: A Noncooperative Game Theoretic Approach
School of Mechanical and Aerospace Engineering, Nanyang Technological University(南洋理工大学机械与航天工程学院)
考虑到未来人类驾驶车辆和自动驾驶车辆(AVs)将在道路上长期共存,如何将AVs融入人类驾驶员的交通生态,并将AVs的影响及其与人类驾驶员的不匹配降至最低,是值得考虑的问题。此外,不同的乘客对自动驾驶汽车有不同的需求,因此,如何为不同的乘客提供个性化的选择是自动驾驶汽车的另一个问题。因此,本文设计了一个类人的决策框架的自动驾驶汽车。不同的驾驶风格和社会互动的特点,制定了自动驾驶汽车的驾驶安全性,乘坐舒适性和旅行效率,这是考虑在建模过程中的决策。然后,将纳什均衡和Stackelberg博弈理论应用于非合作决策问题。此外,将势场法和模型预测控制(MPC)相结合来处理无人驾驶汽车的运动预测和规划,为决策模块提供预测的运动信息。最后,给出了两种典型的变道测试场景,合并和超车,进行评估的可行性和有效性的建议决策框架考虑不同的类人行为。测试结果表明,这两种博弈论方法都可以为无人驾驶汽车提供合理的人性化决策。与纳什均衡方法相比,在正常驾驶方式下,Stackelberg博弈方法的决策成本值降低了20%以上。
2020-09-23 cs.RO cs.SY eess.SY
Energy-Efficient Autonomous Driving Using Cognitive Driver Behavioral Models and Reinforcement Learning
University of Michigan(密歇根大学)
预计自动驾驶技术不仅可以提高机动性和道路安全性,还可以带来能源效率方面的好处。在可预见的未来,自动驾驶汽车(AV)将在与人类驾驶汽车共享的道路上运行。为了保持安全性和活力,同时最大限度地减少能源消耗,自动驾驶规划和决策过程应该考虑到自主自我车辆与周围人类驾驶车辆之间的相互作用。在本章中,我们描述了一个框架,通过利用基于认知层次理论和强化学习的人类驾驶员行为建模,在共享道路上开发节能自动驾驶政策。
2021-11-27 cs.RO cs.SY eess.SY
Agentic Driving Coach: Robustness and Determinism of Agentic AI-Powered Human-in-the-Loop Cyber-Physical Systems
Arizona State University(亚利桑那州立大学)
本文提出基于反应计算模型的框架,用于解决人机协同物理系统中代理AI的鲁棒性和确定性问题,通过驾驶教练案例验证了方法的有效性。
2026-04-13 cs.AI cs.CL cs.RO
Interpretable Modelling of Driving Behaviors in Interactive Driving Scenarios based on Cumulative Prospect Theory
University of California at Berkeley(加州大学伯克利分校)
了解人类驾驶行为对自动驾驶汽车很重要。本文提出了一种基于累积前景理论(CPT)的交互式驾驶场景中可解释的人类行为模型。作为一种非期望效用理论,CPT可以很好地解释一些期望效用理论无法解释的人类系统性偏差或“非理性”行为/决策。因此,这项工作的目标是制定人类驾驶员的行为生成模型与CPT,使一些“非理性”的行为或人类的决定可以更好地捕捉和预测。为了实现这一目标,我们首先开发了一个CPT驱动的决策模型,专注于驾驶场景与两个相互作用的代理。提出了一种分层学习算法,用于学习CPT模型中的效用函数、价值函数和决策权函数。最后以环形交叉口并线为例进行验证。利用实际驾驶数据,比较了基于TTC的预定义模型、基于神经网络的基于学习的模型和基于CPT的模型的预测性能。实验结果表明,该模型的性能优于TTC模型,并在训练数据更少、可解释性更好的情况下达到与基于学习的模型相似的性能。
2019-07-19 cs.AI cs.RO cs.SY
Closing the Loop: Motion Prediction Models beyond Open-Loop Benchmarks
Freie Universität Berlin(柏林自由大学);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);Continental AG(大陆集团)
本文研究了运动预测模型与规划器的交互,发现高开环精度不必然带来更好闭环驾驶性能,且缩小版模型在某些情况下表现更优。
2025-12-16 cs.AI cs.RO cs.SY
CLIP-RLDrive: Human-Aligned Autonomous Driving via CLIP-Based Reward Shaping in Reinforcement Learning
Concordia University(康考迪亚大学)
本文提出CLIP-RLDrive框架,通过CLIP视觉语言模型构建基于视觉与文本线索的奖励模型,将自动驾驶决策与人类偏好对齐,解决了复杂城市场景中手动设计强化学习奖励模型的难题。
2024-12-17 cs.AI cs.LG cs.RO