CTRMs: Learning to Construct Cooperative Timed Roadmaps for Multi-agent Path Planning in Continuous Spaces
Tokyo Institute of Technology（东京工业大学）；OMRON SINIC X（欧姆龙先尼克斯）
连续空间中的多智能体路径规划是一个具有重要现实意义的挑战性问题。一个有前途的方法是首先构建图近似的空间，称为路线图，然后应用多智能体寻路（MAPF）算法，以获得一组无冲突的路径。虽然传统的研究已经利用了为单代理规划开发的路线图构建方法，但我们如何构建有效适用于多代理的路线图，在很大程度上仍未探索。为此，我们提出了一个新的概念，称为合作定时路线图（CTRM）的路线图。CTRM使每个代理能够以考虑其他代理的行为以避免代理间冲突（即，为了构建CTRM，我们开发了一种机器学习方法，该方法从相关问题实例和合理解决方案的集合中学习生成模型，然后使用学习的模型对CTRM的顶点进行采样，以获得新的，以前看不见的问题实例。我们的实证评估表明，使用CTRM显着减少了规划工作与可接受的开销，同时保持成功率和解决方案的质量相比，传统的路线图建设方法。
2022-01-24 cs.LG cs.MA cs.RO
Hierarchical Search-Based Cooperative Motion Planning
Institute of Cyber-Systems and Control, Zhejiang University（浙江大学控制科学与工程学院 cyber系统研究所）；Polytechnic Institute of Zhejiang University（浙江大学理工学院）；Shanghai AI Laboratory（上海人工智能实验室）
针对非完整阿克曼UGV协同规划问题，提出无领导者的分层搜索式SCMP方法，高层用二叉冲突搜索树降时耗，低层生成形状约束的无碰撞可行路径，并通过仿真与实车测试验证其在多群体、异常智能体及复杂障碍场景中的有效性。
2024-10-21 cs.RO
Learning Reward Models for Cooperative Trajectory Planning with Inverse Reinforcement Learning and Monte Carlo Tree Search
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；Robert Bosch GmbH（罗伯特·博世有限公司）
自动驾驶车辆的协同轨迹规划方法可以解决需要交通参与者之间高度合作的交通场景。然而，为了使协作系统集成到以人为中心的交通中，自动化系统必须表现得像人类一样，以便人类可以预测系统的决策。虽然强化学习在解决决策部分方面取得了显着进展，但参数化产生可预测行为的奖励模型并非易事。这项工作采用基于特征的最大熵逆强化学习结合蒙特卡罗树搜索学习奖励模型，最大限度地提高记录的多智能体合作专家轨迹的可能性。评估表明，该方法可以恢复一个合理的奖励模型，模仿专家和执行类似的手动调整基线奖励模型。
2022-05-06 cs.LG cs.RO
Adaptive Spatio-Temporal Voxels Based Trajectory Planning for Autonomous Driving in Highway Traffic Flow
University of California, Berkeley（加州大学伯克利分校）
针对高速公路动态车流中静态时空体素可行域难以适应环境变化的问题，提出自适应时空体素轨迹规划方法，在保持二次规划形式的同时实时调整可行域，并在开环与闭环测试中优于现有方法。
2023-10-04 cs.RO
Distributed Path Planning for Executing Cooperative Tasks with Time Windows
University of Minnesota（明尼苏达大学）
我们研究的分布式规划的机器人轨迹最优执行的合作任务的时间窗口。在这种设置中，每个任务都有一个值，如果在指定的时间窗口内有足够多的机器人同时出现在必要的位置，则完成任务。任务在周期内定期到达。任务规格（所需的机器人数量，位置，时间窗口和价值）是未知的先验和机器人试图通过规划自己的轨迹为即将到来的周期基于他们过去的观察在分布式的方式完成的任务的价值最大化。考虑到充电和维护需求，机器人需要在环境中指定的站点开始和结束每个循环。我们将这个问题映射到一个博弈论公式，并通过分布式学习最大限度地提高集体性能。一些仿真结果也证明了所提出的方法的性能。
2019-08-15 cs.MA cs.RO cs.SY
An Online Optimization-Based Trajectory Planning Approach for Cooperative Landing Tasks
Institute of Engineering and Computational Mechanics, University of Stuttgart（斯图加特大学工程与计算力学研究所）；Department of Mechanical Engineering, LUT University（卢托拉大学机械工程系）
本文提出了一种基于在线优化的协作着陆轨迹规划方法，通过互补约束实现多机器人自主协调，提升着陆任务的安全性和效率。
2025-02-19 cs.RO
Inverse Optimal Planning for Air Traffic Control
University of Pennsylvania（宾夕法尼亚大学）；Microsoft Corporation（微软公司）
我们设想了一个系统，它简明地描述了空中交通管制的规则，协助人类操作员，并支持商业机场周围密集的自主空中交通。提出了一种基于最大熵逆强化学习的空中交通管制规则学习方法。该成本函数被用作基于搜索的运动规划方法的惩罚，该方法将控制空间和状态空间都离散化。我们说明的方法表明，我们的方法可以学习模仿机场到达路线和密集的商业空中交通的分离规则。所得到的轨迹被证明是安全的，可行的，和有效的。
2019-03-25 cs.RO
Cooperative Aerial Coverage Path Planning for Visual Inspection of Complex Infrastructures
Luleå University of Technology（吕勒奥理工大学）
本文研究了利用多个无人机对复杂基础设施进行检测（离线三维重建）的协同覆盖路径规划（C-CPP）问题。该方案基于基础设施的先验3D模型，能够为无人机生成多条路径，以便在短时间内实现完整的合作覆盖。最初，被检查的基础设施被水平平面切片，其具有识别结构的分支的能力，并且这些分支将被处理为UAV的路径规划的断点，以基于UAV的当前飞行时间在更短的时间内协作地执行覆盖任务，并且更现实。通过利用SLAM和运动恢复结构方法，利用单目或立体传感器，将从覆盖范围收集的多个数据集合并用于基础设施的离线稀疏和密集3D重建。所提出的C-CPP的性能已经在多个室内和现实的室外基础设施检测实验中进行了实验评估。
2016-12-05 cs.RO
Motion Planning of Cooperative Nonholonomic Mobile Manipulators
Department of Mechanical Engineering, Indian Institute of Technology Bombay（印度理工学院班加罗尔机械工程系）；Center for Systems and Control, Indian Institute of Technology Bombay（印度理工学院班加罗尔系统控制中心）
本文提出了一种实时可实现的运动规划框架，用于非holonomic移动机械臂机器人在动态环境中协作运输物体。该框架通过静态无障碍区域找到从起点到目标的路径，并利用一种新颖、快速且计算轻量的椭圆技术生成路径周围的凸、静态、无障碍区域。引入了基于非线性模型预测控制（NMPC）的实时可实现规划技术，联合规划移动基底和机械臂的可行运动，并生成可行的、无碰撞的轨迹以实现协作物体运输。仿真和硬件实验验证了所提规划框架的有效性。
2026-05-17 cs.MA cs.RO cs.SY
Combined Aerial Cooperative Tethered Carrying and Path Planning for Quadrotors in Confined Environments
Luleå University of Technology（吕勒奥理工大学）；University of Patras（帕特雷大学）
本文提出一种组合式空中协同系留搬运与路径规划框架，通过组合机构简化自由度并生成动态体封装四旋翼-绳索系统，实现RRT无碰撞路径规划，并经MPC控制实验验证有效性。
2025-04-01 cs.RO
A Learning System for Motion Planning of Free-Float Dual-Arm Space Manipulator towards Non-Cooperative Object
Tsinghua University（清华大学）；Beijing Institute of Control Engineering（北京控制工程研究所）；City University of Hong Kong（香港城市大学）
近年来，出现了一些不合作的空间物体，如失败的卫星和太空垃圾。这些物体通常由自由浮动双臂空间机械臂操作或收集。强化学习（RL）方法由于消除了建模和参数手动调整的困难，在空间机械臂轨迹规划中显示出更有前途的迹象。虽然以前的研究证明了它们的有效性，但它们不能应用于跟踪具有未知旋转的动态目标（非合作目标）。提出了一种自由漂浮双臂空间机械臂（FFDASM）面向非合作对象的运动规划学习系统。具体来说，我们的方法由两个模块组成。模块一实现了大目标空间内两个末端执行器的多目标轨迹规划。然后，模块II以非合作目标的点云作为输入，估计目标的运动特性，进而预测目标点在非合作目标上的位置。利用模块I和模块II的组合，成功地跟踪了具有未知规律的旋转物体上的目标点。此外，实验还证明了我们的学习系统的可扩展性和泛化能力。
2022-07-06 cs.AI cs.RO cs.SY
Path Planning for a Cooperative Navigation Aid Vehicle to Assist Multiple Agents Sequentially
Department of Mechanical Engineering（机械工程系）；Engineering Science, University of North Carolina at Charlotte（工程科学，北卡罗来纳大学夏洛特分校）
本文提出了一种贪心算法，用于规划协作导航辅助车路径，以依次协助多个智能体并减少导航不确定性。
2024-07-09 cs.RO cs.SY eess.SY
An Improved Grey Wolf Optimizer Inspired by Advanced Cooperative Predation for UAV Shortest Path Planning
Xi’an Jiaotong-Liverpool University（西交利物浦大学）；Guilin University of Electronic Technology（桂林电子科技大学）
本文提出融合先进协同捕猎与透镜对立学习策略的改进灰狼优化器IGWO，在基准函数上性能排名第一，并在无人机最短路径规划中平均路径长度优于GWO、PSO和WOA。
2025-06-04 cs.RO
Path Planning Games
Vanderbilt University（范德堡大学）
路径规划是机器人控制中的一个基本和广泛探索的问题。我们提出了一个新的经济角度的路径规划。具体来说，我们研究战略之间的互动路径规划代理使用博弈论路径规划框架。我们的重点是两个重要目标之间的经济紧张关系：代理人实现其目标的效率和安全性。我们首先开发一种新的数学公式的路径规划，权衡这些目标，当其他代理的行为是固定的。然后，我们使用这个公式近似纳什均衡的路径规划游戏，以及开发一个多智能体合作的路径规划制定。通过几个案例研究，我们表明，在一个路径规划游戏，安全性往往是显着妥协相比，合作的解决方案。
2019-10-30 cs.AI cs.GT cs.MA
Improved Consensus ADMM for Cooperative Motion Planning of Large-Scale Connected Autonomous Vehicles with Limited Communication
The Hong Kong University of Science and Technology（香港科技大学）；National University of Singapore（新加坡国立大学）
本文针对有限通信下大规模网联自动驾驶车辆协同运动规划问题，提出改进一致性ADMM并行优化方法，结合局部连通拓扑、稀疏对偶更新和轻量级进化策略，在CARLA中验证了其高效性与可扩展性。
2024-01-17 cs.MA cs.RO cs.SY
Performance Comparison of Deep RL Algorithms for Mixed Traffic Cooperative Lane-Changing
Delft University of Technology（代尔夫特理工大学）
本文比较了DDPG、TD3、SAC和PPO四种深度强化学习算法在混合交通协同换道中的性能，发现PPO在安全性、效率、舒适性和生态性方面表现最优，从而增强了CLCMT机制在CAV换道规划中的优势。
2024-06-25 cs.AI cs.LG cs.RO
Multi-Uncertainty Aware Autonomous Cooperative Planning
Research Institute for Trustworthy Autonomous Systems, Southern University of Science and Technology（南方科技大学可信自主系统研究院）；University of Macau（澳门大学）；Singapore University of Technology and Design（新加坡科技设计大学）；Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；University of New South Wales（新南威尔士大学）
针对多不确定性叠加导致鲁棒自主协同规划难的问题，提出基于RC-MPC的MUACP框架，在CARLA平台验证其可实时高效编队且性能优于基准方法。
2024-11-01 cs.RO cs.SY eess.SY
Planning and Control of Uncertain Cooperative Mobile Manipulator-Endowed Systems under Temporal-Logic Tasks
KTH Royal Institute of Technology（KTH皇家理工学院）；School of Electrical Engineering and Computer Science（电气工程与计算机科学学院）
多智能体系统的控制和规划是一个活跃的和越来越多的研究课题，有许多实际应用，如救援任务，安全，监视和运输。本论文主要研究多智能体系统在时序逻辑任务下的规划与控制。所考虑的系统涉及复杂的，机器人，机械手赋予系统，可以协调，以执行复杂的任务，包括对象操作/运输。出于现实生活中的场景，我们考虑到高阶动态模型的不确定性和未知的干扰。我们的方法是基于多代理系统，智能控制理论，合作对象操作，多代理对象系统的离散抽象设计，和正式验证等领域的工具的集成。论文的第一部分致力于设计连续控制协议的合作对象的操作/运输由多个机器人代理，刚性合作操作方案的关系，多智能体形成。在论文的第二部分中，我们开发了控制方案的多智能体复杂系统的不确定动态的连续协调，专注于多智能体导航与碰撞规范在障碍物杂乱的环境。论文的第三部分主要研究了多智能体和多智能体对象系统的规划和控制问题，这些系统的复杂任务用时序逻辑公式表示。论文的第四部分也是最后一部分重点讨论了单智能体设置的几个扩展方案，例如定时时间任务下的运动规划和未知系统的渐近参考跟踪，同时尊重漏斗约束。
2023-03-02 cs.RO cs.SY eess.SY
Motion and Cooperative Transportation Planning for Multi-Agent Systems under Temporal Logic Formulas
KTH Center for Autonomous Systems（KTH 自主系统中心）
本文提出一种混合控制框架，用于在高阶目标表达为线性时序逻辑（LTL）公式的情况下，多智能体系统的运动规划。设计控制协议以实现智能体在预定义兴趣区域间的过渡及协作运输物体。通过抽象智能体与物体的耦合行为为有限状态转移系统，设计满足智能体和物体规格的高层多智能体计划。
2018-03-05 cs.RO cs.SY eess.SY
Interaction-Aware Trajectory Prediction and Planning in Dense Highway Traffic using Distributed Model Predictive Control
Chalmers University of Technology（查尔姆斯理工大学）
针对密集交通中自动驾驶车辆的最优轨迹规划问题，提出一种结合分布式模型预测控制、耦合多智能体环境下轨迹预测与规划的新型框架，经仿真验证，其局部最优解优于解耦的预测规划方法。
2023-08-24 cs.RO cs.SY eess.SY
Interaction-Aware Vehicle Motion Planning with Collision Avoidance Constraints in Highway Traffic
Kyungpook National University（庆北国立大学）
本文针对高速公路自动驾驶中的车辆交互问题，提出一种将周围车辆轨迹与避撞约束耦合的最优控制框架，并基于庞特里亚金极小值原理实现轨迹优化，仿真验证了其有效性。
2024-04-02 cs.RO cs.SY eess.SY
Learning-Accelerated Optimization-based Trajectory Planning for Cooperative Aerial-Ground Handover Missions
Institute of Engineering and Computational Mechanics, University of Stuttgart, 70569 Stuttgart, Germany（工程与计算力学研究所，斯图加特大学，德国斯图加特70569）；Mechanical Engineering, LUT University, 53850 Lappeenranta, Finland（机械工程，卢蒂大学，芬兰拉佩恩兰塔53850）
本文提出了一种结合学习的轨迹规划框架，用于协同无人 aerial 和 ground 车辆的切换任务，通过使用解耦的编码器-解码器 LSTM 网络生成协调的切换轨迹预测，从而加速优化过程，实现更快的收敛和更高的优化成功率。
2026-05-19 cs.LG cs.RO math.OC
Real-time Cooperative Vehicle Coordination at Unsignalized Road Intersections
无信号交叉口的协同协调，旨在提高互联和自动化车辆的行驶安全性和交通吞吐量，近年来引起了越来越多的关注。然而，大多数现有的调查要么受到计算复杂性的影响，要么无法充分利用道路基础设施的潜力。为此，我们首先提出了一个专用的交叉口协调框架，其中所涉及的车辆移交其控制权限，并遵循中央协调员的指示。然后，将制定一个统一的合作轨迹优化问题，以最大限度地提高交通吞吐量，同时确保驾驶安全和长期稳定的协调系统。为了解决现实世界部署中的关键计算挑战，我们将这个非凸顺序决策问题重新表达为无模型的马尔可夫决策过程（MDP），并通过在深度强化学习（DRL）框架中设计基于双延迟深度确定性策略梯度（TD 3）的策略来解决它。仿真和实际实验表明，该策略在亚静态协调场景下可以获得接近最优的性能，在现实连续业务流中可以显著提高业务吞吐量。最显著的优点是，我们的策略可以降低计算的时间复杂度为毫秒，并显示出可扩展的道路车道增加。
2023-03-22 cs.AI cs.RO cs.SY
TraInterSim: Adaptive and Planning-Aware Hybrid-Driven Traffic Intersection Simulation
Zhengzhou University（郑州大学）
针对交通交叉口缺乏明确车道且传统方法依赖预定义车道或大量数据的问题，提出自适应且规划感知的混合驱动仿真方法TraInterSim，结合基于优化的数据驱动方案与速度连续性模型，实现了异构智能体在交互速率下的真实行为生成与规划感知的碰撞避免。
2023-04-05 cs.GR cs.RO
Multi-AAV Cooperative Path Planning using Nonlinear Model Predictive Control with Localization Constraints
IIIT Delhi（德里印度信息技术学院）；University of Cincinnati（辛辛那提大学）；IISER Bhopal（博帕尔印度科学教育与研究学院）
针对GPS拒止环境下多AAV协同定位与路径规划问题，提出结合MHE与带近似解析闭式协方差表达式的NMPC方法，可在保证定位精度的同时降低计算量，经仿真验证优于基于EKF的方案。
2022-01-23 cs.RO cs.SY eess.SY
Generalized Coordination of Partially Cooperative Urban Traffic
Institute of Measurement, Control and Microtechnology, Ulm University（测量、控制与微技术研究所，乌尔姆大学）
本文提出一种适用于城市交通多场景的协同机动规划框架，通过优化方法与启发式策略处理混合交通，在40%协同率下即显著提升交通效率且不牺牲安全性。
2025-05-27 cs.MA cs.RO
Extended Version: Multi-Robot Motion Planning with Cooperative Localization
本文针对噪声下多机器人协作定位运动规划问题，提出一种考虑机器人间相关性且保证安全与概率完备性的采样规划算法，并通过偏置技术显著提升规划效率。
2025-04-08 cs.MA cs.RO
GAMEOPT+: Improving Fuel Efficiency in Unregulated Heterogeneous Traffic Intersections via Optimal Multi-agent Cooperative Control
Nokia Bell Labs（诺基亚贝尔实验室）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）；University of Maryland（马里兰大学）
GameOpt+结合拍卖机制与优化轨迹规划，实现无信号异构交叉口的多智能体协同控制，在高速高密度下实时决策，显著提升吞吐量、降低延误与油耗，且对不平衡车流鲁棒。
2024-05-26 cs.MA cs.RO
Linear Differential Games for Cooperative Behavior Planning of Autonomous Vehicles Using Mixed-Integer Programming
多智能体协同规划是自动驾驶汽车策略规划和运动规划的一种有效方法。通过考虑每个智能体的意图，自我智能体可以将未来与人类驾驶车辆的交互纳入其规划中。这个问题通常被表述为多智能体博弈，并使用在离散化动作或状态空间上操作的迭代算法来解决。即使收敛到一个纳什均衡，结果往往只是次优的。在本文中，我们定义了一个线性微分对策的一组相互作用的代理人，并解决它的最优性使用混合整数规划。一个析取制定的方向，使我们能够制定线性约束，以防止代理到代理碰撞，同时保持车辆模型的非完整运动特性。软约束解释了预测误差。然后，我们定义了一个联合成本函数，其中的合作因素可以适应利他，合作和利己主义行为。我们研究的合作因素的影响，以解决方案，代理之间的互动是必要的，以成功地解决它们。然后，在一个赛车的情况下，我们在一个闭环后退地平线重新规划的方式显示的配方的适用性的方法进行评估。通过解释合作假设和实际行为中的不准确性，我们确实可以成功地规划与其他代理密切交互的最优控制策略。
2021-09-30 cs.MA cs.RO
Accelerating Cooperative Planning for Automated Vehicles with Learned Heuristics and Monte Carlo Tree Search
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；FZI Research Center for Information Technology（FZI信息技术研究中心）
城市交通场景中的高效驾驶需要远见。其他交通参与者的观察和推断他们可能的下一步行动取决于自己的行动被认为是合作预测和规划。人类已经具备了预测多个交互的交通参与者的行为并相应地进行规划的能力，而无需直接与他人进行通信。以前的工作表明，它是可能实现有效的合作规划，而不需要明确的沟通。然而，合作计划的搜索空间如此之大，以至于大部分计算预算都花在探索远离解的无希望区域中的搜索空间上。为了加速规划过程，我们将学习的策略与合作规划方法相结合，以引导搜索具有有希望的行动的区域，以较低的计算成本获得更好的解决方案。
2020-05-22 cs.LG cs.MA cs.RO
AutonoVi: Autonomous Vehicle Planning with Dynamic Maneuvers and Traffic Constraints
University of North Carolina, Chapel Hill（北卡罗来纳大学教堂山分校）；University of Central Florida（中佛罗里达大学）
我们提出了AutonoVi：，一种新的自主车辆导航算法，支持动态机动，满足交通约束和规范。我们的方法是基于优化的机动规划，支持动态车道变化，转弯，刹车在所有的交通场景，并引导车辆到其目标位置。我们考虑到各种交通约束，包括避免与其他车辆，行人和骑自行车的人使用控制速度障碍碰撞。我们使用数据驱动的方法来建模车辆动力学控制和避免碰撞。此外，我们的轨迹计算算法考虑到交通规则和行为，如停止在十字路口和红灯，基于圆弧样条表示。我们在模拟环境中评估了我们的算法，并测试了其在城市和高速公路驾驶场景中与数十辆汽车，行人和骑自行车的人的交互性能。这些场景包括乱穿马路的行人、从高速上突然停车、安全地通过骑自行车的人、车辆突然转向车道以及高密度交通，其中车辆必须改变车道以更有效地前进。
2017-03-29 cs.MA cs.RO
Agent-Agnostic Centralized Training for Decentralized Multi-Agent Cooperative Driving
University of Freiburg（弗莱堡大学）；Ruhr University Bochum（波鸿鲁尔大学）；University of Technology Nuremberg（纽伦堡工业大学）
本文提出一种智能体无关的集中训练方法，利用带掩码注意力神经网络的非对称演员-评论家模型和单智能体强化学习，学习去中心化协同驾驶策略，以改善瓶颈路段交通流并缓解保守驾驶导致的减速。
2024-09-03 cs.LG cs.RO
Interactive Trajectory Planner for Mandatory Lane Changing in Dense Non-Cooperative Traffic
Northwestern University（西北大学）
当交通流非常拥挤且周围车辆不配合时，强制变道可能非常困难。在这项工作中，我们提出了一个互动的轨迹规划，这将首先尝试改变车道，只要确保安全。基于滚动时域规划，本车可以根据周围车辆的反应中止或继续变道。我们展示了我们的规划器在广泛的模拟与周围的车辆，初始速度范围从0.5至5米每秒，保险杠到保险杠的间隙范围从4到10米。自我车辆与我们的规划器可以改变车道安全和顺利。在大多数情况下，在1.8GHz Intel Core i7- 10610 U的笔记本电脑上，规划器每一步的计算时间都在10毫秒以内。
2023-03-04 cs.RO
Dual-Interaction-Aware Cooperative Control Strategy for Alleviating Mixed Traffic Congestion
Tianjin Key Laboratory of Intelligent Unmanned Swarm Technology and System, School of Electrical and Information Engineering, Tianjin University（天津智能无人群技术与系统重点实验室，电气与信息工程学院，天津大学）；School of Mechanical and Aerospace Engineering, Nanyang Technological University（机械与航空航天工程学院，南洋理工大学）；Shenzhen Institute for Advanced Study, University of Electronic Science and Technology of China（深圳高等研究院，电子科学与技术大学）
本文提出双交互感知协同控制策略，通过去中心化决策模块、集中化批评者和奖励设计，提升混合交通瓶颈场景下的交通效率和适应性。
2026-03-04 cs.MA cs.RO cs.SY
Cooperative Bidirectional Mixed-Traffic Overtaking
University of Maryland（马里兰大学）
针对双向混合交通中CAVs的安全超车难题，提出一种基于协作通信的控制框架，利用车辆间共享信息减少传感器遮挡影响，并结合局部速度预测，在保证安全和舒适的前提下最大化速度，并通过真实交通仿真验证了性能。
2023-11-14 cs.RO
Trust-MARL: Trust-Based Multi-Agent Reinforcement Learning Framework for Cooperative On-Ramp Merging Control in Heterogeneous Traffic Flow
Tsinghua University（清华大学）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
针对异构交通中匝道汇入协同难题，提出基于信任的多智能体强化学习框架Trust-MARL，通过宏观群体协同与微观动态信任机制及博弈决策模块，提升了不同场景下的交通安全性、效率与适应性。
2025-06-14 cs.AI cs.ET cs.GT
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
A Differentiated Reward Method for Reinforcement Learning based Multi-Vehicle Cooperative Decision-Making Algorithms
Tongji University（同济大学）
针对强化学习多车辆协同驾驶样本效率低的问题，提出基于稳态转移系统的差异化奖励方法，将状态转移梯度融入奖励设计，在MAPPO等算法中显著提升训练收敛速度及交通效率、安全性与动作合理性。
2025-08-09 cs.AI cs.MA cs.RO
Toward Cooperative Driving in Mixed Traffic: An Adaptive Potential Game-Based Approach with Field Test Verification
State Key Laboratory of Intelligent Green Vehicle and Mobility, Tsinghua University（智能绿色车辆与移动国家重点实验室，清华大学）；State Key Lab of Intelligent Transportation System, School of Transportation Science and Engineering, Beihang University（智能交通运输系统实验室，北京航空航天大学交通科学与工程学院）
本文提出自适应势游戏框架，通过建立系统效用函数、引入Shapley值和动态优化人类驾驶车辆偏好，提升混合交通中的协作安全与效率，实验证实其有效性。
2026-04-22 cs.RO
Real-World Evaluation of two Cooperative Intersection Management Approaches
Institute of Measurement, Control and Microtechnology, Ulm University（测量、控制与微技术研究所，乌尔姆大学）；Robert Bosch GmbH, Corporate Research（罗伯特·博世有限公司，企业研究）
本文评估了两种协作交叉口管理方法在现实混合交通中的性能，展示了其在减少穿越时间和停止次数方面的显著效果。
2026-02-01 cs.RO
Modeling and Testing Multi-Agent Traffic Rules within Interactive Behavior Planning
fortiss GmbH（福特斯有限公司）；Technische Universität München（慕尼黑工业大学）
自动驾驶汽车需要遵守与人类相同的规则。这些流量规则中的一些可能取决于多个代理或时间。特别是在交通参与者密集交互的情况下，在规划过程中需要考虑与其他代理的交互。要研究如何多代理和时间依赖的交通规则应建模，需要一个框架，限制的行为，以符合规则的行动在规划过程中，并最终可以评估这些规则的满意度。这项工作提出了一种方法来模拟符合交通规则的交互式行为规划和测试的衍生物的交通规则制定的度量，如碰撞，进展，或违反规则。交互式的行为规划问题制定为一个动态的游戏和解决使用蒙特卡罗树搜索，为此，我们贡献了一个新的方法，将历史相关的交通规则到一个决策树。为了研究规则的效果，我们将其视为一个多目标问题，并将宽松的字典序应用于向量化奖励。我们展示了我们的方法在合并的情况下。我们评估的效果建模和结合交通规则，以最终遵守模拟。我们表明，与我们的方法，互动的行为规划，同时满足甚至复杂的交通规则可以实现。展望未来，这为我们提供了一个通用的框架来正式制定自动驾驶汽车的交通规则。
2020-09-29 cs.RO
Online Planning for Cooperative Air-Ground Robot Systems with Unknown Fuel Requirements
针对目标燃料成本未知的FCURP-MRS问题，提出结合离线启发式规划与动态调整交会点的在线规划算法，初步Gazebo仿真验证了其能维持空地机器人路径有效性并确保任务完成。
2025-06-25 cs.RO
Cooperative Schedule-Driven Intersection Control with Connected and Autonomous Vehicles
Carnegie Mellon University（卡内基梅隆大学）
最近的工作分散，时间表驱动的交通控制已经证明了在复杂的城市道路网络，以提高交通流的效率的能力。在这种方法中，调度代理与每个交叉口相关联。每个代理感知接近其交叉口的交通，并实时构建一个时间表，最大限度地减少在当前前瞻视野内接近交叉口的车辆的累积等待时间。在本文中，我们提出了一种合作算法，利用连接和自动驾驶车辆（CAV）和时间表驱动的交通控制，以创造更好的城市交通流。该算法使交叉口调度代理调整的到来时间的车队通过使用无线通信来控制车辆的速度。接近队列的序列因此被移向具有较小累积延迟的新形状。我们演示了如何在实时交通信号控制问题，该算法优于原来的方法。
2019-07-03 cs.RO cs.SY eess.SY
Prioritized Planning for Cooperative Range-Only Localization in Multi-Robot Networks
Massachusetts Institute of Technology（麻省理工学院）；Woods Hole Oceanographic Institution（伍兹霍尔海洋研究所）
我们提出了一种新的路径规划算法，以减少定位误差的机器人网络合作定位通过机器人间的距离测量。利用距离测量进行定位的质量取决于网络的配置，并且差的配置可能导致大量的定位误差。为了减少网络配置对移动网络的定位误差的影响，我们考虑了Fisher信息矩阵（Fisher information matrix，简称HMF）的各种最优性测度，这些测度与定位误差之间的关系已经得到了很好的研究。特别是，我们提出了一个轨迹规划问题的约束条件的最优措施。通过约束这些最优性度量，我们可以控制定位误差的统计特性。为了有效地生成满足这些约束的轨迹，我们提出了一个优先级规划器，它利用基于图形的规划和独特的属性的范围内只有约束。我们在模拟实验中显示的结果表明，我们的算法生成的轨迹减少最坏情况下的定位误差高达42%相比，现有的规划方法，并可以可扩展地规划大量的机器人在复杂的环境中的距离有效的轨迹。
2021-09-10 cs.RO
UNCAP: Uncertainty-Guided Neurosymbolic Planning Using Natural Language Communication for Cooperative Autonomous Vehicles
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
UNCAP通过自然语言通信和不确定性引导方法，提升多车辆协同自动驾驶系统的可扩展性和安全性。
2026-01-12 cs.CL cs.CV cs.MA
A Cooperative Perception Environment for Traffic Operations and Control
Purdue University（普渡大学）；Saline High School（萨林高中）；University of Michigan（密歇根大学）
现有的用于交通操作和控制的数据汇集方法通常依赖于基于基础设施的环路检测器或探测车辆轨迹。互联和自动驾驶车辆（CAV）不仅可以报告有关自身的数据，还可以提供所有检测到的周围车辆的状态。集成来自多个CAV以及基础设施传感器的感知数据（例如，LiDAR）即使在非常低的渗透率下也可以提供更丰富的信息。本文旨在开发一个协同数据汇集系统，该系统集成了来自基础设施和CAV的激光雷达点云数据，为各种交通应用创建一个协同感知环境。最先进的3D检测模型被应用于检测合并点云中的车辆。在CARLA和SUMO的联合仿真平台上，我们使用最大压力自适应信号控制模型对所提出的协同感知环境进行了测试。结果表明，CAV加上基础设施传感器的渗透率非常低，足以实现与30%或更高的联网车辆（CV）渗透率相当的性能。我们还展示了不同CAV渗透率下的等效CV渗透率（E-CVPR），以证明协同感知环境的数据汇集效率。
2022-08-04 cs.RO cs.SY eess.SY
HCOMC: A Hierarchical Cooperative On-Ramp Merging Control Framework in Mixed Traffic Environment on Two-Lane Highways
针对混合交通流，本文提出HCOMC分层协作匝道汇入控制框架，结合改进虚拟车辆模型、博弈论换道与多目标优化，显著提升了汇入过程的安全性与交通效率。
2025-07-15 cs.AI cs.RO cs.SY
$E^2Coop$: Energy Efficient and Cooperative Obstacle Detection and Avoidance for UAV Swarms
University of Otago（奥塔哥大学）
能量效率是无人机群避障轨迹规划的关键。本文提出了$E^2Coop$，一种将人工势场（APF）与基于粒子群规划（PSO）的航迹规划紧密耦合的无人机群避碰新方案。在$E^2Coop$中，群成员协同执行轨迹规划，以能量有效的方式避免碰撞。$E^2Coop$利用活动轮廓模型在图像处理中的优势进行轨迹规划。每个群体成员规划其轨迹上的环境场的轮廓，以节省能源，避免碰撞的障碍。处于彼此安全距离内的群成员在不同的轮廓上规划它们的轨迹，以避免彼此碰撞。仿真结果表明，与现有的两种方案相比，$E^2Coop$的能量节省率可达51%.
2021-05-08 cs.RO
Multi-robot Social-aware Cooperative Planning in Pedestrian Environments Using Multi-agent Reinforcement Learning
行人参与环境中多机器人安全、高效的协同规划具有广阔的应用前景。在部分变维观测和不完全感知条件下，提出了一种基于离策略多智能体强化学习（MARL）的多机器人社会感知高效协作规划器.我们采用基于时空图（TSG）的社会编码器，以更好地提取每个机器人和行人在其视野（FOV）的社会关系的重要性。此外，我们在多机器人RL框架中引入K步前瞻奖励设置，以避免机器人产生的侵略性，侵入性，短视和不自然的运动决策。此外，我们改进了传统的集中式评论家网络与多头全局注意力模块，更好地聚集不同机器人之间的局部观察信息，以指导个体的策略更新过程。最后，多组实验结果验证了所提出的协作运动规划器的有效性。
2022-11-29 cs.AI cs.RO
Roadside-assisted Cooperative Planning using Future Path Sharing for Autonomous Driving
Graduate School of Information Science and Technology, The University of Tokyo（东京大学信息科学与技术研究生院）；School of Computing, Tokyo Institute of Technology（东京工业大学计算机学院）
协作智能交通系统（ITS）由自主车辆用于与周围的自主车辆和路边单元（RSU）通信。目前的C-ITS应用主要集中在实时信息共享，如协同感知。除了实时信息共享，自动驾驶汽车还需要协调行动计划，以实现更高的安全性和效率。为此，本研究定义了车辆的未来行动计划/路径，并设计了一个合作的路径规划模型在交叉口使用未来的路径共享的基础上，未来的路径信息的多辆车。其概念是，当RSU根据共享的未来路径检测到车辆路径的潜在冲突或加速机会时，它将生成调整车辆速度的协调路径更新。我们使用开源Autoware自动驾驶软件实现了所提出的方法，并使用LGSVL自动驾驶汽车模拟器对其进行了评估。我们对两辆车在一个盲路口的场景进行了模拟实验，发现每辆车都可以通过规划一条反映所有车辆行动计划的路径来安全、更有效地行驶。通过引入RSU所消耗的时间比在十字路口的独立自动驾驶案例缩短了23.0%和28.1%。
2021-08-10 cs.RO
Q-CP: Learning Action Values for Cooperative Planning
Sapienza University of Rome（罗马第一大学）
多机器人系统的研究在许多领域和应用中都取得了可喜的成果。尽管如此，由于非结构化场景，高不确定性和大状态维度（例如超冗余和机器人组），有效地学习有效的机器人行为是非常困难的。为了缓解这个问题，我们提出了Q-CP一个合作的基于模型的强化学习算法，它利用行动值（1）指导探索的状态空间和（2）生成有效的政策。具体来说，我们利用Q学习攻击的维数在蒙特卡罗树搜索的迭代。我们在不同的随机合作（一般和）游戏中实现和评估Q-CP：（1）3个机器人之间的简单合作导航问题，（2）一对KUKA YouBots之间的合作场景执行移交，以及（3）两个移动机器人之间的协调任务进入一扇门。所得到的结果表明，Q-CP在所选的应用程序，其中的动作值驱动的探索和减少规划过程中的计算需求，同时实现良好的性能的有效性。
2018-03-01 cs.AI cs.RO
Optimal Trajectory Planning for Cooperative Manipulation with Multiple Quadrotors Using Control Barrier Functions
New York University, Tandon School of Engineering（纽约大学坦登工程学院）
提出基于控制屏障函数的多四旋翼协同操作轨迹规划算法，通过凸多面体建模和对偶定理降低计算复杂度，实现六自由度避障和安全轨迹生成。
2025-03-04 cs.RO
Applying systems-theoretic process analysis in the context of cooperative driving
KTH（皇家理工学院）
高度自动化的协同驾驶车辆将使交通流量更加流畅，从而实现更高效、更环保和更安全的交通状况。然而，汽车行业是安全关键，目前的安全标准不是为了处理合作驾驶而设计的。在本文中，我们应用现代安全分析方法，系统理论过程分析，在合作驾驶的背景下，作为大合作驾驶挑战赛（GCDC）的一部分，并提出我们的思考方法。
2019-12-04 cs.RO cs.SY eess.SY
A Universal Cooperative Decision-Making Framework for Connected Autonomous Vehicles with Generic Road Topologies
The Hong Kong University of Science and Technology（香港科技大学）
提出基于有向无环图表示通用道路拓扑的统一优化框架，将CAVs协同决策近似为混合整数线性规划问题，实现全局最优并验证多场景有效性。
2024-01-10 cs.RO cs.SY eess.SY
