Slope Considered Online Nonlinear Trajectory Planning with Differential Energy Model for Autonomous Driving
University of Delaware(特拉华大学)
针对自动驾驶模型无关方法难以实现节能轨迹规划的问题,提出集成可微分能量模型的在线非线性规划轨迹优化框架,结合交通与坡度预测提升燃油效率,带来显著经济效益,填补相关研究空白。
2024-12-12 cs.RO
Safe planning and control under uncertainty for self-driving
Manipal Institute of Technology(马尼帕尔理工学院);Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所)
不确定条件下的运动规划对于安全自动驾驶至关重要。在本文中,我们提出了一个统一的避障框架,处理1)自我车辆运动的不确定性;和2)来自环境的动态障碍物的预测不确定性。在规划层中使用包括短期和长期预测的两阶段交通参与者轨迹预测器来为自我车辆生成安全但不过于保守的轨迹。预测模块与现有的规划方法配合良好。我们的工作展示了它的有效性在一个弗伦内框架规划。使用管MPC的鲁棒控制器保证了在存在状态噪声和动态模型不确定性的情况下轨迹的安全执行。高斯过程回归模型用于在线识别的不确定性的界限。我们证明了我们的框架在CARLA模拟器的有效性,安全性和实时性能。
2020-10-21 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
Limited Visibility and Uncertainty Aware Motion Planning for Automated Driving
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)
不利的天气条件和城市环境中的遮挡导致感知受损。不确定性在自动车辆的不同模块中处理,范围从传感器水平到情况预测直到运动规划。本文主要研究在具有遮挡的不确定环境模型下的运动规划问题。我们提出了一种方法,以保持碰撞自由的最坏情况下的演变给定的场景。我们定义的标准,衡量可用的利润率的碰撞,同时考虑到可见性和相互作用,并因此集成的条件,将这些标准应用到一个基于优化的运动规划。我们通过在几个不同的城市场景中验证我们的方法的一般性。
2018-10-30 cs.RO
APP-RUSS: Automated Path Planning for Robotic Ultrasound System
Athens Academy(雅典学院);Massachusetts General Hospital(马萨诸塞州总医院);Harvard Medical School(哈佛医学院)
本文提出APP-RUSS系统,通过RealSense D405相机与三次贝塞尔曲线规划,解决UR5e机械臂长距离超声探头引导问题,为路径规划两阶段整合奠定基础。
2023-10-22 cs.RO
A Survey of Motion Planning and Control Techniques for Self-driving Urban Vehicles
Massachusetts Institute of Technology(麻省理工学院);CTU in Prague(布拉格捷克理工大学)
自动驾驶汽车是一项成熟的技术,有可能通过提高汽车运输的安全性、可达性、效率和便利性来重塑移动性。自动驾驶车辆必须执行的安全关键任务包括通过与其他车辆和行人共享的动态环境规划运动,以及通过反馈控制进行鲁棒执行。本文的目的是调查的规划和控制算法,特别是关于城市设置的当前状态的艺术。选择建议的技术进行审查,以及讨论其有效性。所调查的方法在所使用的车辆机动性模型、对环境结构的假设以及计算要求方面有所不同。本调查中提供的并排比较有助于深入了解所审查方法的优势和局限性,并有助于系统级设计选择。
2016-04-25 cs.RO
EPSILON: An Efficient Planning System for Automated Vehicles in Highly Interactive Environments
Huawei Technology Co., Ltd.(华为技术有限公司);Hong Kong University of Science and Technology(香港科技大学);DJI Technology Company, Ltd.(大疆创新科技有限公司)
本文提出了一个高交互环境下的自动车辆有效规划系统(EPSILON)。EPSILON是一个高效的交互感知自动驾驶规划系统,在模拟和现实世界的密集城市交通中得到了广泛的验证。它遵循一个分层结构,具有交互式行为规划层和基于优化的运动规划层。行为规划是从一个部分可观察的马尔可夫决策过程(POMDP)制定的,但比天真地将POMDP应用于决策问题要有效得多。效率的关键是在动作空间和观察空间中的引导分支,它将原始问题分解为有限数量的闭环策略评估。此外,我们引入了一个新的驱动程序模型的安全机制,以克服潜在的先验知识的不确定性引起的风险。对于运动规划,我们采用了时空语义走廊(SSC)建模的复杂驾驶环境中的一个统一的方式所构成的约束。基于SSC,一个安全和平滑的轨迹被优化,遵守由行为规划器提供的决策。我们验证了我们的规划系统在模拟和现实世界的密集交通,实验结果表明,我们的EPSILON实现了人类一样的驾驶行为在高度互动的交通流平稳和安全,而不是过于保守的现有规划方法相比。
2021-08-18 cs.RO
Modified RRT* for Path Planning in Autonomous Driving
Indian Institute of Information Technology, Kottayam(印度信息技术学院科塔亚姆分校);National Institute of Technology, Tiruchirappalli(印度国家技术学院蒂鲁吉拉伯利分校)
本文提出两阶段路径规划算法AD-RRT*,结合A*全局规划与角度约束的RRT*改进,解决复杂环境最优路径问题,实验表明其收敛率更高、耗时与节点数更少。
2024-02-19 cs.RO
Real-Time Trajectory Planning for Autonomous Driving with Gaussian Process and Incremental Refinement
Hong Kong University of Science and Technology(香港科技大学)
动态环境下的实时的【形】运动动力学轨迹规划是自动驾驶的关键,但具有挑战性。在这封信中,我们提出了一个有效的轨迹规划系统,自动驾驶在复杂的动态场景中,通过迭代和增量路径速度优化。利用规划问题的解耦结构,基于高斯过程的路径规划器首先在Frenét坐标系下,考虑静态避障和曲率约束,生成一条弧长连续的参数化路径。我们从理论上证明了它是著名的加加速度最优解的一个很好的推广。提出了一种有效的s-t图搜索方法来寻找沿生成路径的速度分布,以应对动态环境。最后,路径和速度被增量地和迭代地优化,以确保运动动力学的可行性。各种模拟场景的静态障碍物和动态代理验证了我们所提出的方法的有效性和鲁棒性。实验结果表明,我们的方法可以运行在20 Hz。源代码作为开源软件包发布。
2022-05-24 cs.RO
Spatiotemporal motion planning with combinatorial reasoning for autonomous driving
fortiss GmbH(福蒂斯有限公司);Technische Universität München(慕尼黑工业大学)
城市环境中的运动规划可以看作是一个组合问题。通过前面、后面、右边或左边的障碍物,自动驾驶汽车可以选择执行多个选项。在规划框架中需要考虑到这些组合方面。我们解决这个问题,提出了一种新的规划方法,结合轨迹规划和机动推理。我们定义了一个分类的动态障碍物沿参考曲线,使我们能够提取战术决策序列。我们将纵向和横向运动分开,以加快基于优化的轨迹规划。为了将获得的轨迹集映射到机动变体,我们定义了一种语义语言来描述它们。这使我们能够选择最佳轨迹,同时也确保机动一致性。我们展示了我们的方法的能力,仍然被广泛认为是具有挑战性的情况。
2022-07-10 cs.RO
Planning by Simulation: Motion Planning with Learning-based Parallel Scenario Prediction for Autonomous Driving
Faculty of Electrical Engineering, Mathematics and Computer Science, University of Twente(代尔夫特理工大学电子工程、数学与计算机科学学院);Department of Electrical Engineering, Wright State University(威斯汀大学电气工程系)
本文提出一种基于学习的并行场景预测方法,用于自动驾驶中的运动规划,通过模拟可能场景并计算成本,平衡和剪枝不合理动作,提升安全性和规划效率。
2024-11-15 cs.RO
PlanRL: A Trajectory Planning Architecture for Reinforcement Learning-based Driving Experts
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院);Hyundai Motor Company(现代汽车公司)
提出一种将强化学习策略与多项式轨迹规划器结合的轨迹规划架构,通过Frenet坐标系简化道路几何并加入运动学可行性检查,在CARLA基准上驾驶评分提升5%-11%,成功率提升8%-19%。
2026-06-26 cs.RO
Trajectory Planning for Automated Driving in Intersection Scenarios using Driver Models
Ulm University(乌尔姆大学);Visteon Electronics GmbH Germany(德国伟世通电子有限公司)
城市交叉口的有效轨迹规划是目前自主车辆(AV)最具挑战性的任务之一。对其他交通参与者的礼貌行为,AV的舒适性及其在环境中的进展是决定轨迹规划算法性能的关键方面。为了捕捉这些方面,我们提出了一种新的轨迹规划框架,确保社会的遵守,同时优化AV的舒适性受到运动学约束。该框架结合了局部连续优化方法和高效的驾驶员模型,以确保长期快速的行为预测,机动生成和决策。所提出的框架在不同的情况下进行评估,以证明其能力的轨迹和运行时间。
2020-10-07 cs.RO
PaaS: Planning as a Service for reactive driving in CARLA Leaderboard
针对端到端自动驾驶决策黑箱问题,提出PaaS规划模块,在Frenet坐标系下用带可控风格因子的启发式代价函数选最优轨迹,在CARLA排行榜驾驶得分排第三且违规处罚表现更优。
2023-06-14 cs.RO
Trajectory Planning for Connected and Automated Vehicles: Cruising, Lane Changing, and Platooning
自动化和连通性被认为是最有前途的技术之一,可以提高运输系统的安全性、移动性、燃料和时间消耗。联网和自动驾驶车辆(CAV)的一些燃油效率优势可以通过队列行驶来实现。一个排是一列虚拟的CAV训练,它们跟随排长一起行进,彼此之间有很小的间隙。车辆还可以通过改变车道来减少行驶时间。在本文中,我们设计了一个最优控制为基础的轨迹规划模型,可以提供安全和有效的轨迹为主题的车辆,并可以包括排队和换道。我们将此轨迹规划模型嵌入到仿真框架中,以量化其效率优势,因为它与动态交通流中的燃料消耗和行驶时间有关。此外,我们进行了大量的数值实验,以调查是否,以及在何种情况下,在上游的主体车辆的车辆也可能会遇到二手燃料效率的好处。
2020-01-23 cs.RO
Object Detection and Motion Planning for Automated Welding of Tubular Joints
National University of Singapore(新加坡国立大学)
管状TKY接头的自动焊接对于船舶和海上工业来说是一项重要且具有挑战性的任务。本文提出了一种管接头检测和运动规划的框架。使用RGB-D传感器检测真实管接头的姿态,其用于获得用于在虚拟环境中定位工件的真实到虚拟映射。对于运动规划,使用基于双向转换的快速探索随机树(BiTRRT)算法来生成达到期望目标的轨迹。实验结果表明,该机器人焊枪能够无碰撞地过渡到靠近管接头的预定目标。
2018-09-27 cs.RO
Real-time Mixed-Integer Quadratic Programming for Driving Behavior-Inspired Speed Bump Optimal Trajectory Planning
School of Engineering and Technology(工程科技学院);Vinh University(文大学)
本文提出一种基于MIQP和MPC的自动驾驶轨迹规划方法,通过模拟人类驾驶行为的减速带约束,在保证实时性的同时优化减速带通过和乘客舒适度,并在城市模拟中验证了有效性。
2025-10-10 cs.RO
An enhanced motion planning approach by integrating driving heterogeneity and long-term trajectory prediction for automated driving systems
School of Transportation and Logistics, Southwest Jiaotong University(西南交通大学交通运输与物流学院);University of Central Florida(中佛罗里达大学);Lyles School of Civil Engineering, Purdue University(普渡大学莱尔土木工程学院)
针对复杂环境中自动驾驶系统导航困难的问题,提出一种融合周围人类驾驶车辆驾驶行为与长期轨迹预测的分层模型运动规划方法,以提升高速公路汇入场景下的驾驶安全性。
2023-08-02 cs.AI cs.RO
Planning in the Backbone: DiffAdapterVLA for Native Continuous Trajectory Generation with Driving VLMs
Wuhan University(武汉大学);Dongfeng Research & Development Institute(东风汽车研发总院)
DiffAdapterVLA通过将轨迹令牌注入VLM骨干后期层,实现与驾驶条件共同演化的连续轨迹规划,仅用轻量模块即达高效闭环规划。
2026-09-23 cs.AI cs.RO
DL-AMP and DBTO: An Automatic Merge Planning and Trajectory Optimization and Its Application in Autonomous Driving
Shanghai Automotive Industry Corporation, Ltd.(上海汽车工业股份有限公司)
提出了一种自动合并算法,该算法将自动驾驶车辆的运动规划问题分解为双层自动合并规划(DL_AMP)和基于下降的轨迹优化(DBTO)。这项工作在寻找最佳合并机会,横向和纵向合并规划和控制,轨迹后处理和驾驶舒适性方面有很大的改进。
2021-07-30 cs.RO cs.SY eess.SY
Accelerating Path Planning for Autonomous Driving with Hardware-Assisted Memoization
Cornell University(康奈尔大学)
具有动态障碍物的自动驾驶路径规划是一个挑战,因为它需要执行更高维的搜索(具有时间维度),同时仍然满足实时约束。提出了一种算法-硬件协同优化的方法来加速高维搜索空间的路径规划。首先,我们通过将节点和障碍物映射到低维空间并记住最近的搜索结果来减少最近邻居搜索和碰撞检测的时间。然后,我们提出了一个有效的memoization的硬件扩展。在现代处理器和周期级仿真器上的实验结果表明,硬件辅助记忆显著减少了路径规划的执行时间。
2022-05-27 cs.AR cs.RO
Hi-Drive: Hierarchical POMDP Planning for Safe Autonomous Driving in Diverse Urban Environments
Shanghai Jiao Tong University(上海交通大学);Shanghai Innovation Institute(上海创新研究院);SenseTime(商汤科技)
针对城市道路动态不确定性,提出层级式POMDP规划算法Hi-Drive,利用驾驶员模型推断驾驶风格并集成重要性采样轨迹优化,在真实基准上显著超越现有方法。
2025-10-15 cs.AI cs.RO
Safe Trajectory Planning Using Reinforcement Learning for Self Driving
Texas A&M University(德州农工大学);Carnegie Mellon University(卡内基梅隆大学)
自动驾驶汽车必须能够在各种复杂的环境中智能地行动,这些环境以高维状态空间、无数优化目标和复杂行为为标志。传统上,经典的优化和搜索技术已被应用于自动驾驶的问题,但它们并没有完全解决在高维状态和复杂行为的环境中的操作。最近,针对自动驾驶的任务提出了模仿学习;但是获得足够的训练数据是劳动密集型的。强化学习已被提出作为直接控制汽车的一种方式,但这存在安全性和舒适性问题。我们建议在自动驾驶的轨迹规划阶段使用无模型强化学习,并表明这种方法使我们能够以更安全,更通用和更舒适的方式操作汽车,这是自动驾驶任务所需的。
2020-11-09 cs.AI cs.RO
Towards Cooperative Motion Planning for Automated Vehicles in Mixed Traffic
FZI Research Center for Information Technology(FZI 信息技术研究中心);Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院)
虽然自动车辆的运动规划技术在反应和预期的方式已经被广泛提出,合作运动规划的方法仍然存在。在本文中,我们提出了一种方法来提高常见的运动规划算法,允许与人类驾驶的车辆合作。与以前的方法不同,我们将其他交通参与者的预测集成到运动规划中,这样就可以考虑到自我车辆的行为对其他交通参与者的影响。为此,提出了一种新的成本函数,包含场景中所有相关交通参与者的成本。最后,我们提出了一个路径速度分解采样为基础的实现,我们的方法为选定的情况下,这是在模拟评估。
2017-08-23 cs.MA cs.RO
LEADER: Learning Attention over Driving Behaviors for Planning under Uncertainty
Oregon State University(俄勒冈州立大学);Shanghai Jiao Tong University(上海交通大学);National University of Singapore(新加坡国立大学)
人类行为的不确定性对拥挤的城市环境中的自动驾驶提出了重大挑战。部分可观测马尔可夫决策过程(POMDPs)为不确定性下的规划提供了一个原则性框架,通常利用蒙特卡洛采样来实现复杂任务的在线性能。然而,采样也会因可能遗漏关键事件而引起安全问题。为了解决这个问题,我们提出了一种新的算法,学习注意力驾驶bEADER(LEADER),学会参加关键的人类行为在规划。LEADER学习一个神经网络生成器,以在实时情况下对人类行为提供关注。它将注意力整合到一个信念空间规划器中,使用重要性采样来使推理偏向关键事件。为了训练算法,我们让注意力生成器和规划器形成一个最小-最大博弈。通过解决最小-最大博弈,LEADER学会了在没有人类标签的情况下执行风险感知规划。
2022-10-29 cs.LG cs.RO
A Data-Driven Approach for Autonomous Motion Planning and Control in Off-Road Driving Scenarios
本文提出了一种新的数据驱动的方法,车辆运动规划和控制在越野驾驶场景。对于自动越野驾驶,环境条件会影响地形的可通行性,这是天气、表面成分和坡度的函数。处理地理信息系统和国家环境信息中心数据集,为交互式规划和控制系统要素提供这一信息。顶层全局路线规划器(GRP)使用动态规划(DP)来定义最优航路点。本地路径规划器(LPP)计算航路点之间的期望轨迹,从而避免不可行的控制状态和与障碍物的碰撞。LPP还利用实时感测和控制数据更新GRP。一个低层次的反馈控制器应用反馈线性化渐近跟踪指定的LPP轨迹。自动驾驶模拟结果的地形穿越俄勒冈州和印第安纳州的案例研究。
2018-05-25 cs.AI cs.RO
Real Time Motion Planning Using Constrained Iterative Linear Quadratic Regulator for On-Road Self-Driving
Tencent Technology (Beijing) Company Limited(腾讯科技(北京)有限公司)
避免碰撞是人们在开发自动驾驶技术时需要考虑的最具挑战性的任务之一。在本文中,我们提出了一种新的时空运动规划算法,有效地解决了约束非线性最优控制问题,使用迭代线性二次型调节器(iLQR),该方法考虑了交通车辆的不确定驾驶行为,并将自动驾驶车辆之间的碰撞风险降至最低,(称为“自我”车辆)和交通车辆之间的距离,使得自我车辆能够与所有周围车辆保持足够大的距离,以实现交通中期望的防撞操纵。为此,我们引入了“碰撞多边形”的概念,用于计算自我车辆和交通车辆之间的最小距离,并提供了两种不同的解决方案,设计的运动规划问题的约束条件,通过适当建模的交通车辆的行为,以评估碰撞风险。最后,利用仿真器和3级自动驾驶测试平台,对iLQR运动规划算法在多个实时避碰任务中进行了验证。
2022-02-17 cs.RO math.OC
Safe and Personalizable Logical Guidance for Trajectory Planning of Autonomous Driving
University of Science and Technology of China(中国科学技术大学)
本文提出逻辑引导层(LGL),通过场景推理与RSS模型,在高速公路自动驾驶中平衡安全、效率与用户偏好,实现形式化安全保证。
2024-05-22 cs.LO cs.RO
LLaViDA: A Large Language Vision Driving Assistant for Explicit Reasoning and Enhanced Trajectory Planning
Duke University(杜克大学);Georgia State University(佐治亚州立大学);University of Florida(佛罗里达大学)
LLaViDA通过视觉-语言模型实现显式推理和轨迹规划,提升自动驾驶的轨迹规划性能。
2025-12-20 cs.AI cs.RO
Integration of Reinforcement Learning Based Behavior Planning With Sampling Based Motion Planning for Automated Driving
Robert Bosch GmbH(罗伯特·博世有限公司);Ulm University(乌尔姆大学)
提出一种将深度强化学习策略用于高层行为规划并结合现有运动规划算法生成轨迹的方法,通过真实车辆实验和仿真分析验证了其在缩小仿真到现实差距及处理复杂多智能体机动方面的潜力。
2023-04-17 cs.LG cs.RO
Reinforced Imitative Trajectory Planning for Urban Automated Driving
本文提出一种结合强化学习与模仿学习的多步轨迹规划方法,引入基于Transformer的贝叶斯奖励函数和混合驱动框架,在nuPlan数据集上显著优于基线并媲美最先进方法。
2025-07-16 cs.AI cs.RO
Speeding Up Path Planning via Reinforcement Learning in MCTS for Automated Parking
本文提出将强化学习集成到蒙特卡洛树搜索中,通过迭代学习状态价值和策略生成器,在自动泊车路径规划中平衡探索与利用,从而在不依赖人类专家数据的情况下加速在线规划并保持质量。
2024-12-31 cs.AI cs.RO
Drive As You Like: Multi-Head Diffusion with Reinforcement Learning for Personalized Driving
School of Information Technology, Monash University Malaysia(墨尔本大学马来西亚分校信息科技学院);Southwest University, China(西南大学)
研究旨在解决自动驾驶规划器忽视人类驾驶行为多样性及难以理解用户意图的问题。提出基于强化学习的多策略框架,集成多头部扩散规划器与语义理解,采用两阶段训练范式。实验表明该方法在nuPlan基准测试中性能良好,能满足实时规划并对齐用户意图。
2026-10-16 cs.AI cs.RO
Learning hierarchical behavior and motion planning for autonomous driving
Zhejiang University(浙江大学);Arizona State University(亚利桑那州立大学)
基于学习的驾驶解决方案是自动驾驶的一个新分支,它通过从数据中学习底层机制来简化驾驶建模。为了提高基于学习的驾驶解决方案的战术决策,我们引入分层行为和运动规划(HBMP)明确建模的行为,基于学习的解决方案。由于行为和运动的耦合行为空间,使用强化学习(RL)解决长时间驾驶任务的HBMP问题具有挑战性。我们通过整合一个经典的基于采样的运动规划器来转换HBMP问题,其中的最优成本被视为高级行为学习的奖励。因此,该公式减少了行动空间,并多样化的奖励,而不会失去HBMP的最优性。此外,我们提出了一种跨仿真平台和真实世界环境的输入传感数据的可共享表示,以便在基于事件的快速仿真器SUMO中训练的模型可以用于在基于动态的仿真器CARLA中初始化和加速RL训练。实验结果证明了该方法的有效性。此外,该模型被成功地转移到现实世界中,验证了泛化能力。
2020-05-08 cs.AI cs.RO
Residual Chain Prediction for Autonomous Driving Path Planning
Technical University of Munich(慕尼黑工业大学);School of Computer Science, Nanjing University of Information Science & Technology(南京信息工程大学计算机学院);School of Computer and Information Engineering, Fuyang Normal University(阜阳师范大学计算机与信息工程学院)
针对端到端自动驾驶路径规划中行为克隆因曼哈顿距离产生协变量偏移的问题,提出 Residual Chain Loss 动态调整损失以增强时序依赖,并在 nuScenes 上验证其性能提升。
2024-04-08 cs.AI cs.RO
Search-Based Motion Planning for Performance Autonomous Driving
Virtual Vehicle Research Center(虚拟车辆研究中心);University of Pavia(帕维亚大学);Graz University of Technology(格拉茨工业大学)
本文提出一种基于搜索的运动规划方法,在考虑非线性车辆动力学和状态输入约束下生成参考轨迹,以实现湿滑路面上的最短单圈时间。
2019-07-18 cs.RO cs.SY eess.SY
NaviDriveVLM: Decoupling High-Level Reasoning and Motion Planning for Autonomous Driving
J. Mike Walker ’66 Department of Mechanical Engineering, Texas A&M University, College Station, TX 77843, USA(杰米·沃克’66机械工程系,德克萨斯A&M大学,学院站,TX 77843,美国);The Department of Engineering Technology and Industrial Distribution Texas A&M University, College Station, TX 77843, USA(工程技术与工业分配系,德克萨斯A&M大学,学院站,TX 77843,美国)
NaviDriveVLM通过解耦高层推理与运动规划,提升自动驾驶中的推理能力与效率
2026-03-09 cs.LG cs.RO
Safe learning-based optimal motion planning for automated driving
Virtual Vehicle Research Center(虚拟车辆研究中心);University of Sarajevo(萨拉热窝大学);Graz University of Technology(格拉茨工业大学)
本文介绍了初步的工作学习搜索启发式的最佳运动规划自动驾驶在城市交通。以前的工作考虑基于搜索的最佳运动规划框架(SBOMP),利用数值或基于模型的算法,不考虑动态障碍。由于动态障碍物只会增加成本,因此仍然保证最优解。然而,观察到的搜索效率的显着变化取决于是否存在动态障碍。本文介绍了机器学习(ML)的启发式,考虑到动态障碍,从而增加了性能的一致性,实现实时实施。
2018-06-13 cs.LG cs.RO stat.ML
An Autonomous Driving Framework for Long-term Decision-making and Short-term Trajectory Planning on Frenet Space
University of California, Santa Cruz(加州大学圣克鲁兹分校)
在本文中,我们提出了一个层次结构的决策和规划的高速公路驾驶任务。我们利用智能驾驶模型(IDM和MOBIL)根据自我周围的交通状况生成长期决策。这些决定既能最大限度地提高自我性能,又能尊重其他车辆的目标。短期轨迹优化是在Frenet空间上进行的,以使计算对道路的三维曲率不变。针对运动障碍物,提出了一种新的基于Frenet框架的避障方法.优化探索驾驶走廊,以生成时空多项式轨迹,安全地通过交通导航,并服从BP命令。该框架还引入了一个启发式管理程序,用于识别意外情况,并在潜在紧急情况下重新计算每个模块。CARLA仿真实验表明,该框架在实现符合人类行为的各种驾驶风格方面具有潜力和可扩展性。
2020-11-26 cs.RO cs.SY eess.SY
A Reinforcement Learning Approach to Jointly Adapt Vehicular Communications and Planning for Optimized Driving
IIIT-Delhi(印度德里印度理工学院)
本文提出一种强化学习方法,用于联合优化自动驾驶车辆的通信与运动规划,通过模拟验证了该方法在提升驾驶效益方面的有效性。
2018-07-10 cs.NI cs.RO cs.SY
Real-Time Unified Trajectory Planning and Optimal Control for Urban Autonomous Driving Under Static and Dynamic Obstacle Constraints
University of Waterloo(滑铁卢大学)
轨迹规划和控制在历史上被分为自动驾驶堆栈中的两个模块。轨迹规划侧重于更高级别的任务,如避开障碍物和停留在路面上,而控制器则尽最大努力遵循不断变化的参考轨迹。我们认为,这种分离是(1)有缺陷的,由于规划的轨迹和控制器可以可行地执行,(2)不必要的,由于模型预测控制(MPC)范例的灵活性之间的不匹配。相反,在本文中,我们提出了一个统一的MPC为基础的轨迹规划和控制方案,保证可行性方面的道路边界,静态和动态环境,并强制执行乘客的舒适性约束。该计划进行了严格的评估,在各种情况下,重点是证明最优控制问题(OCP)的设计和实时的【形】解决方案的有效性。原型代码将在https://github.com/WATonomous/control上发布。
2022-09-19 cs.RO cs.SY eess.SY
A Prioritized Trajectory Planning Algorithm for Connected and Automated Vehicle Mandatory Lane Changes
我们介绍了一个优先系统优化算法的强制变道(MLC)的连接和自动驾驶汽车(CAV)从专用车道的行为。我们的方法适用于合作的车道变化,优先的车道变化车辆的决定,更接近年底的发散区(DZ),并优化预测的总系统行程时间。我们的实验合成数据表明,该算法提高了交通网络的效率,获得更高的速度在专用车道和更早的MLC位置,同时确保了较低的计算时间。我们的方法优于传统的差距接受模型。
2021-04-21 cs.RO cs.SY eess.SY
Trajectory Planning for Automated Driving using Target Funnels
BMW Group(宝马集团)
本文针对噪声感知下自动驾驶轨迹规划不稳定问题,提出基于目标漏斗的预测规划算法,融合道路概率信息,在保持跟踪精度的同时将输入代价降低56%。
2025-03-31 cs.RO cs.SY eess.SY
Driving Context-guided Model Predictive Planning and Control for Autonomous Car Racing at the Limit and Beyond
University of Modena and Reggio Emilia(摩德纳和雷焦艾米利亚大学);Hipert S.r.l.(Hipert 有限责任公司)
本文提出一种基于模型预测控制的赛车运动规划与控制流水线,通过成本混合状态机适应超车、正常驾驶和反向转向等情境,并在Superformula EAV-25赛车上验证,圈速接近人类最佳成绩的2%以内。
2026-09-14 cs.RO cs.SY eess.SY
Lane Change Trajectory Planning for Personalized Driving Comfort and Mobility Efficiency
Department of Mechanical Engineering(机械工程系);Department of Electrical Engineering(电气工程系);National University of Singapore(新加坡国立大学);Computer Science(计算机科学);University of Michigan(密歇根大学)
提出一种神经网络驱动的轨迹规划器,结合三阶多项式轨迹生成与学习模块,通过双头共享骨干和基于误差胜者逻辑回归的统计门控机制,实现个性化舒适性与移动效率的平衡。
2026-06-05 cs.AI cs.RO cs.SY
Performance evaluation of a ROS2 based Automated Driving System
Fraunhofer Institute for Open Communication Systems (FOKUS)(弗劳恩霍夫开放通信系统研究所);Daimler Center for Automotive Information Technology Innovations (DCAITI)(戴姆勒汽车信息技术创新中心);University of Potsdam(波茨坦大学)
针对自动驾驶系统的时间关键特性需求,本文对常用于连接自动驾驶组件的ROS2框架开展时效性与错误率的全面性能评估,验证了其适配自动驾驶系统的可行性。
2025-10-28 cs.RO
Interpretable Goal-based Prediction and Planning for Autonomous Driving
Five AI Ltd.(Five AI有限公司);School of Informatics, University of Edinburgh(爱丁堡大学信息学院);University of Oxford(牛津大学)
我们提出了一个集成的预测和规划系统的自动驾驶,使用合理的逆向规划,以识别其他车辆的目标。目标识别通知蒙特卡罗树搜索(MCTS)算法来规划自我车辆的最佳机动。逆向规划和MCTS利用一组共享的定义机动和宏观行动来构建可通过合理性原则解释的计划。在城市驾驶场景模拟中的评估表明,该系统能够稳健地识别其他车辆的目标,使我们的车辆能够利用重要的机会来显着减少驾驶时间。在每种情况下,我们提取直观的解释,证明系统的决定的预测。
2021-03-15 cs.RO
Differentiable Integrated Motion Prediction and Planning with Learnable Cost Function for Autonomous Driving
Nanyang Technological University(南洋理工大学)
预测周围交通参与者的未来状态,并相应地规划安全、平稳和符合社会要求的轨迹,对自动驾驶汽车至关重要。当前的自动驾驶系统存在两个主要问题:预测模块通常与规划模块分离,规划的成本函数难以指定和调整。为了解决这些问题,我们提出了一个可区分的集成预测规划框架(DIPP),也可以从数据中学习成本函数。具体而言,我们的框架使用可微分非线性优化器作为运动规划器,其将神经网络给出的周围代理的预测轨迹作为输入,并优化自动驾驶车辆的轨迹,使所有操作都是可微分的,包括成本函数权重。该框架在大规模真实驾驶数据集上进行训练,以模仿整个驾驶场景中的人类驾驶轨迹,并以开环和闭环方式进行验证。开环测试结果表明,所提出的方法在各种指标上优于基线方法,并提供以规划为中心的预测结果,允许规划模块输出接近人类驾驶员的轨迹。在闭环测试中,所提出的方法优于各种基线方法,显示出处理复杂城市驾驶场景的能力和对分布变化的鲁棒性。重要的是,我们发现,在开环和闭环测试中,规划和预测模块的联合训练比使用单独训练的预测模块进行规划的性能更好。此外,消融研究表明,框架中的可学习组件是必不可少的,以确保规划的稳定性和性能。
2023-02-18 cs.RO
Anytime Hybrid Driving-Stepping Locomotion Planning
Rheinische Friedrich-Wilhelms-Universität Bonn(波恩大学)
驱动-步进混合运动是一种在多种环境下进行导航的有效方法。长的、足够均匀的距离可以通过驾驶快速行驶,而障碍物可以通过步行克服。我们的四足机器人Momaro,在它的每一条顺从的腿的末端都有一对可操纵的轮子,允许这样的运动。迄今为止,规划各自的路径只引起了很少的注意。我们提出了一种导航规划方法,产生混合运动路径。规划者尽可能选择驾驶模式,并考虑详细的机器人足迹。如果需要步骤,则计划器包括这些步骤。为了加速规划,首先将步骤规划为抽象动作,然后将其扩展为详细的运动序列。我们的方法确保机器人始终保持稳定。实验表明,该规划器能够在可行的时间内提供路径,即使是具有挑战性的地形。
2018-09-19 cs.RO
PORCA: Modeling and Planning for Autonomous Driving among Many Pedestrians
National University of Singapore(新加坡国立大学);University of Maryland at College Park(马里兰大学帕克分校)
提出了一种多行人自动驾驶规划系统。我们的方法的一个关键组成部分是PORCA,行人运动预测模型,占行人的全球导航意图和本地与车辆和其他行人的相互作用。不幸的是,自动驾驶车辆不知道行人的意图先验,并需要规划算法,对冲行人意图的不确定性。我们的规划系统结合了POMDP算法与行人运动模型,并运行在近实时的。实验表明,它使机器人车辆能够在每平方米近一人的人群中安全,高效,平稳地行驶。
2018-07-01 cs.RO
ProDrive: Proactive Planning for Autonomous Driving via Ego-Environment Co-Evolution
Southern University of Science and Technology(南方科技大学);Hong Kong University of Science and Technology(香港科技大学)
ProDrive通过自我环境共演实现自动驾驶前瞻性规划,结合查询导向的轨迹规划器和鸟瞰图世界模型,提升安全性和规划效率。
2026-04-28 cs.RO
Conditional Predictive Behavior Planning with Inverse Reinforcement Learning for Human-like Autonomous Driving
Nanyang Technological University(南洋理工大学)
做出安全和人性化的决策是自动驾驶系统的基本能力,基于学习的行为规划为实现这一目标提供了一条有希望的途径。与现有的直接输出决策的基于学习的方法不同,这项工作引入了一个预测行为规划框架,该框架可以学习从人类驾驶数据中预测和评估。该框架由三个部分组成:一个行为生成模块,产生一组不同的候选行为的轨迹建议的形式,一个条件运动预测网络,预测未来的轨迹的其他代理的基础上,每个建议,和一个评分模块,评估候选计划使用最大熵逆强化学习(IRL)。我们通过全面的实验验证了所提出的框架在大规模的现实世界的城市驾驶数据集。结果表明,条件预测模型能够对不同的轨迹方案进行清晰合理的预测,基于IRL的评分模块能够选择接近人类驾驶的方案。所提出的框架优于其他基线方法在人类驾驶轨迹的相似性。此外,我们发现,条件预测模型提高了预测和规划性能相比,非条件模型。最后,我们注意到,学习评分模块对于将评估与人类驱动程序保持一致至关重要。
2023-03-07 cs.RO
Utilizing Navigation Paths to Generate Target Points for Enhanced End-to-End Autonomous Driving Planning
University of Science and Technology of China(中国科学技术大学)
针对现有端到端自动驾驶框架忽略行驶意图学习的问题,本文提出NTT方法,基于导航路径生成目标点再生成规划轨迹,在nuScenes数据集上取得优异规划性能。
2024-08-12 cs.RO
LLM-Driven Scenario-Aware Planning for Autonomous Driving
University of Macau(澳门大学);Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究所);Southern University of Science and Technology(南方科技大学)
本文提出LAP,一种基于大语言模型的自适应规划方法,通过场景理解与联合优化实现自动驾驶中的高速与精确驾驶平衡。
2026-01-29 cs.RO