Learning to Predict Vehicle Trajectories with Model-based Planning
The Hong Kong University of Science and Technology（香港科技大学）
预测道路车辆的未来轨迹对于自动驾驶至关重要。在本文中，我们介绍了一种新的预测框架，称为PRIME，它代表基于模型的规划预测。与利用神经网络对场景上下文进行建模并产生无约束轨迹的最近预测工作不同，PRIME旨在生成准确且可行性有保证的未来轨迹预测。PRIME通过利用基于模型的生成器在显式约束下生成未来轨迹来保证轨迹的可行性，并通过利用基于学习的评估器选择未来轨迹来实现准确的多模态预测。我们进行实验的大规模Argoverse运动预测基准，其中PRIME优于国家的最先进的方法在预测精度，可行性和鲁棒性下不完美的跟踪。
2021-10-20 cs.CV cs.RO
Optimal Trajectory Planning for Cinematography with Multiple Unmanned Aerial Vehicles
University of Seville（塞维利亚大学）；Instituto Superior Técnico, Universidade de Lisboa（里斯本大学高等技术学院）
本文提出了一种方法，规划最佳轨迹与一队无人机（UAV）执行自主电影摄影。该方法能够以分布式方式在线规划轨迹，提供UAV之间的协调。我们提出了一种新的非线性制定这个具有挑战性的问题，计算多无人机最佳轨迹的电影摄影;整合无人机的动力学和防撞约束，连同电影方面，如平滑度，万向节机械限制和相互摄像机的可见性。我们将我们的方法集成到以前在MultiDrone项目框架内开发的无人机电影摄影的硬件和软件架构中;并展示其在户外拍摄移动目标的不同类型镜头中的使用。我们提供了广泛的实验结果在模拟和现场实验。我们分析了该方法的性能，并证明了它能够在线计算平滑的轨迹，减少急动的运动，并符合电影摄影的限制。
2021-04-05 cs.RO
Real-time safety assessment of trajectories for autonomous driving
IVEX NV（IVEX公司）；Infineon Technologies AG（英飞凌科技股份公司）
自动驾驶汽车（AV）必须始终保持安全运动，以确保它们不会造成任何事故。在AV系统中，车辆的运动被表示为轨迹。轨迹规划组件负责在运行时计算这样的轨迹，同时考虑到关于环境的感知信息、车辆的动态、其他道路使用者的预测未来状态以及多个安全方面。由于要考虑的信息量巨大，轨迹规划算法是复杂的，这使得保证所有规划轨迹的安全性是不平凡的。这样，就有必要有一个额外的组件来评估运行时计划轨迹的安全性。这样的轨迹安全性评估组件给出关于AV轨迹的安全性的不同观察，并且确保AV仅遵循安全轨迹。我们使用术语轨迹检查器来指轨迹安全评估组件。轨迹检查器必须根据各种安全规则评估规划的轨迹，考虑大量的可能性，包括其他交通参与者的最坏情况行为。这必须在保证硬实时的【形】性能的同时进行，因为安全评估是在车辆移动并与环境不断相互作用时进行的。在本文中，我们提出了一个原型的轨迹检查器，我们已经在IVEX开发。我们展示了我们的方法如何顺利工作，并实现嵌入在英飞凌Aurix TC397B汽车平台的实时的【形】约束。最后，我们衡量我们的轨迹检查器原型对一组NCAPS启发的情况下的性能。
2021-05-05 cs.RO
StylePredict: Machine Theory of Mind for Human Driver Behavior From Trajectories
University of Maryland, College Park（马里兰大学帕克分校）
研究表明，自动驾驶汽车（AV）在由人类驾驶员组成的交通环境中表现保守，不适应当地条件和社会文化规范。众所周知，如果存在理解人类驾驶员行为的机制，则可以设计具有社会意识的AV。我们提出了一种机器心智理论（M-ToM）的概念，通过观察车辆的轨迹来推断人类驾驶员的行为。我们的M-ToM方法，称为StylePredict，是基于车辆的轨迹分析，这已在机器人和计算机视觉的研究。StylePredict模仿人类ToM来推断驾驶员行为或风格，使用图论技术（包括频谱分析和中心性函数）在交通中提取的车辆轨迹和驾驶员行为之间进行计算映射。我们使用StylePredict来分析美国，中国，印度和新加坡不同文化中的驾驶员行为，基于交通密度，异质性和遵守交通规则，并观察纵向（超速）和横向（超车，变道）驾驶风格之间的负相关性。
2020-11-11 cs.RO
Long-term Prediction of Vehicle Behavior using Short-term Uncertainty-aware Trajectories and High-definition Maps
Uber Advanced Technologies Group（优步先进技术集团）
对周围车辆的运动预测是自动驾驶车辆处理的最重要的任务之一，也是自动驾驶系统中确保所有相关交通参与者安全所必需的关键步骤。最近，来自学术界和工业界的许多研究人员都关注这一重要问题，提出了从基于规则的工程方法到学习方法的各种想法，这些想法在不同的预测范围内表现良好。特别是，虽然对于长期轨迹，工程方法优于竞争方法，但学习方法已被证明是短期的最佳选择。在这项工作中，我们描述了如何克服这两个研究方向之间的差异，并提出了一种方法，在一个统一的框架下结合不同的方法。由此产生的算法融合学习，不确定性感知轨迹与基于车道的路径在原则上的方式，从而提高预测精度在短期和长期的视野。对真实世界的大规模数据的实验强烈表明了所提出的统一方法的优点，其性能优于现有的最先进的方法。此外，在离线评估之后，所提出的方法在自动驾驶车辆上成功地进行了测试。
2020-06-13 cs.RO stat.AP
Scene Modeling of Autonomous Vehicles Avoiding Stationary and Moving Vehicles on Narrow Roads
Institute of Robotics and Automatic Information System, Nankai University（南开大学机器人与自动信息系统研究所）；Tianjin Key Laboratory of Intelligent Robotics（天津市智能机器人重点实验室）；TBI center, Nankai University（南开大学TBI中心）
针对狭窄道路会车挑战，提出基于道路宽度占用最小化原则的综合场景模型SM-NR，利用同调类优化候选轨迹并评估选择最优间隙，实现了高通过率与稳健决策。
2024-12-19 cs.RO
Lifelong Vehicle Trajectory Prediction Framework Based on Generative Replay
University of Science and Technology of China（中国科学技术大学）
准确的车辆轨迹预测对于可靠的自动驾驶至关重要。为了使车辆在不同城市行驶时保持一致的性能，适应不断变化的交通环境并实现终身轨迹预测模型至关重要。要实现这一点，灾难性遗忘是一个需要解决的主要问题。本文首先提出了一种基于条件Kullback-Leibler发散度的发散度度量方法，用于评价不同驾驶环境下的时空依赖性差异。然后基于生成重放，提出了一种新的终身车辆轨迹预测框架。该框架由条件生成模型和车辆轨迹预测模型组成。条件生成模型是以车辆位置配置为条件的生成对抗网络。在学习和合并不同城市的车辆轨迹分布后，生成模型以先前采样作为输入重放轨迹，从而消除了灾难性遗忘。车辆轨迹预测模型通过重放轨迹进行训练，并在访问过的城市中实现一致的预测性能。在四个开放数据集上建立了包括五个任务的终身实验设置。计算了不同任务的时空依赖发散度。即使这些分歧，所提出的框架表现出终身学习的能力，并在所有任务上实现一致的性能。
2021-11-15 cs.RO
The Swarm Intelligence Freeway-Urban Trajectories (SWIFTraj) Dataset -- Part II: A Graph-Based Approach for Trajectory Connection
Hong Kong University of Science and Technology - Guangzhou（香港科技大学（广州））
本文提出基于图的方法，解决无人机群轨迹连接中的时间对齐和车辆匹配问题，通过模拟和真实数据验证，实现高精度轨迹连接。
2026-04-27 cs.RO physics.soc-ph
An efficient Deep Spatio-Temporal Context Aware decision Network (DST-CAN) for Predictive Manoeuvre Planning
Robert Bosch Centre for Cyber-Physical Systems（罗伯特博世网络物理系统中心）；Indian Institute of Science（印度科学学院）；WIRIN project（WIRIN项目）
本文提出DST-CAN模型，通过记忆神经元网络预测周围车辆未来轨迹并构建上下文感知网格，结合CNN与高速公路人类驾驶行为实现自动驾驶汽车的安全高效机动规划。
2024-07-08 cs.RO
Leveraging Temporal Contexts to Enhance Vehicle-Infrastructure Cooperative Perception
Shenzhen Automotive Research Institute, Beijing Institute of Technology（北京理工大学深圳汽车研究院）；School of Mechanical Engineering, Beijing Institute of Technology（北京理工大学机械工程学院）；Institute for AI Industry Research, Tsinghua University（清华大学人工智能产业研究院）；School of Computer Science, The University of Hong Kong（香港大学计算机学院）
本文提出CTCE框架，通过时间上下文增强查询和运动感知重建模块，在有限带宽和通信中断下提升车路协同3D目标检测性能，在V2X-Seq和V2X-Sim数据集上超越基线QUEST。
2024-08-20 cs.RO
Online Adaptation of Learned Vehicle Dynamics Model with Meta-Learning Approach
Toyota Research Institute（丰田研究所）；Toyota Motor Corporation（丰田汽车公司）
本研究针对自动驾驶车辆动力学模型在未知环境下的在线适应问题，提出应用 Continual-MAML 元学习方法，使模型在不遗忘旧环境的前提下快速适应新环境，实验证明其在测试集损失和 MPPI 控制器在线跟踪性能上均优于固定模型和梯度下降方法。
2024-09-23 cs.RO
Autonomous Vehicle Decision-Making Framework for Considering Malicious Behavior at Unsignalized Intersections
Shandong University of Science and Technology（山东科技大学）
本文提出一种基于Q-learning的自动驾驶车辆决策框架，通过引入一阶心智理论推断和可变安全权重参数，提升车辆在无信号交叉口应对恶意行为时的安全性与效率，并经Prescan/Simulink仿真验证有效。
2024-09-11 cs.LG cs.RO
A Semi-decentralized and Variational-Equilibrium-Based Trajectory Planner for Connected and Autonomous Vehicles
Tongji University（同济大学）；The Shanghai Research Institute for Intelligent Autonomous Systems（上海智能自主系统研究院）；Shanghai Institute of Intelligent Science and Technology, Tongji University（同济大学上海智能科学技术研究院）
本文针对网联自动驾驶车辆轨迹规划，提出一种基于变分均衡的半分布式规划器，利用V2X并行计算在保证安全与均衡一致性的同时提升计算效率和可扩展性。
2024-10-20 cs.MA cs.RO
Euro-PVI: Pedestrian Vehicle Interactions in Dense Urban Centers
Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）；Toyota Motor Europe（丰田汽车欧洲公司）；CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心）
准确预测行人和自行车路径对于在密集的城市环境中开发可靠的自动驾驶车辆至关重要。车辆与行人或骑自行车者之间的相互作用对交通参与者的轨迹有显著影响，例如停止或转向以避免碰撞。虽然最近的数据集和轨迹预测方法促进了自动驾驶汽车的发展，但建模的车辆-行人（骑自行车的人）交互的数量很少。在这项工作中，我们提出了欧洲PVI，行人和骑自行车的轨迹的数据集。特别是，与现有数据集相比，我们的数据集在密集的城市场景中满足了更多样化和复杂的交互。为了解决预测未来轨迹与密集的相互作用的挑战，我们开发了一个联合推理模型，学习一个富有表现力的多模态共享潜在空间在城市场景中的代理。这使得我们的联合- $β$ -cVAE方法能够更好地对未来轨迹的分布进行建模。我们在nuScenes和Euro-PVI数据集上获得了最先进的结果，证明了捕获自我车辆和行人（骑自行车的人）之间的交互对于准确预测的重要性。
2021-06-22 cs.CV cs.LG cs.RO
Characterizing Structured versus Unstructured Environments based on Pedestrians' and Vehicles' Motion Trajectories
University of Waterloo（滑铁卢大学）
本文通过提取轨迹特征并运用K-means聚类和广义线性模型，提出量化指标以区分结构化与非结构化环境，发现轨迹变异性、停车比例和行人密度可用于分类现有数据集。
2025-02-24 cs.AI cs.CV cs.LG
Lane Attention: Predicting Vehicles' Moving Trajectories by Learning Their Attention over Lanes
Baidu USA LLC（百度美国有限责任公司）；Google Research（谷歌研究院）
准确预测周围车辆的未来运动对于自动驾驶汽车的安全和高效运营至关重要。这项任务是困难的，因为车辆的移动轨迹在很大程度上取决于其驾驶员的意图，这往往是难以估计的。通过利用注意力机制以及长短期记忆（LSTM）网络，这项工作学习了驾驶员的意图与车辆相对于道路基础设施的位置变化之间的关系，并将其用于指导预测。与现有解决方案不同的是，本文将道路车道视为非欧结构，将车辆的运动历史展开形成时空图，并采用图神经网络的方法进行求解。我们的方法不仅是使用非欧几里德方法来处理预测对象周围的静态环境特征的开创性尝试，我们的模型在几个指标上也优于其他最先进的模型。该模型的实用性和可解释性分析表明，除了我们自己的大规模部署在各种自动驾驶系统的巨大潜力。
2021-01-14 cs.CV cs.LG cs.RO
The Role of Machine Learning for Trajectory Prediction in Cooperative Driving
King’s College London（伦敦国王学院）；Centre For Telecommunications Research Department of Engineering（电信研究中心工程系）
在本文中，我们研究的作用，机器学习可以发挥协同驾驶。鉴于现代车辆和道路基础设施的连接率不断提高，协同驾驶是自动驾驶的第一步。本文探讨的示例场景是协调车道合并，数据汇集、测试和评估都在汽车测试轨道上进行。假设车辆是配备车载通信单元的车辆（即连接车辆）和未连接车辆的混合。然而，路边摄像头是连接的，可以捕捉所有车辆，包括那些没有连接的车辆。我们开发了一个交通导航器，它可以根据这两个信息源（即连接的车辆和连接的路边摄像头）来建议轨迹。建立推荐的轨迹，然后将其传达回连接的车辆。我们探索使用不同的机器学习技术，准确和及时的预测轨迹。
2020-10-21 cs.LG cs.RO
An LSTM Network for Highway Trajectory Prediction
MINES ParisTech（巴黎高等矿业学院）；PSL Research University（巴黎文理研究大学）；École des Ponts ParisTech（巴黎高科桥路学校）
为了在公共道路上安全高效地行驶，自动驾驶汽车必须了解周围车辆的意图，并相应地调整自己的行为。如果有经验的人类驾驶员通常擅长推断未来几秒钟内其他车辆的运动，那么大多数当前的高级驾驶辅助系统（ADAS）无法执行此类中期预测，并且通常仅限于紧急制动等高可能性情况。在这篇文章中，我们通过引入长短期记忆（LSTM）神经网络，向一致的轨迹预测迈出了第一步，该网络能够准确预测高速公路上车辆的未来纵向和横向轨迹。与之前专注于从少数驾驶员收集的少量轨迹的工作不同，我们的网络是在NGSIM US-101数据集上训练和验证的，该数据集包含各种交通密度下总共800小时的记录轨迹，代表了6000多名驾驶员。
2018-01-24 cs.LG cs.RO
TrajGen: Generating Realistic and Diverse Trajectories with Reactive and Feasible Agent Behaviors for Autonomous Driving
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）；University of Science and Technology Beijing（北京科技大学）；Baidu Inc.（百度公司）
具有反应性和可行性代理行为的真实和多样化的仿真场景可用于自动驾驶系统性能的验证和验证，而无需依赖昂贵且耗时的真实世界测试。现有的模拟器依赖于基于抽象的背景车辆行为模型，无法捕捉真实场景中复杂的交互行为。为了弥合仿真和现实世界之间的差距，我们提出了TrajGen，一个两阶段的轨迹生成框架，它可以直接从人类演示捕获更真实的行为。特别是，TrajGen由多模态轨迹预测阶段和基于强化学习的轨迹修改阶段组成。在第一阶段，我们提出了一种新的辅助RouteLoss的轨迹预测模型，以产生多模态的不同轨迹在可驾驶区域。在第二阶段，使用强化学习来跟踪预测轨迹，同时避免碰撞，这可以提高生成轨迹的可行性。此外，我们开发了一个数据驱动的模拟器I-Sim，可用于并行训练强化学习模型的基础上自然驾驶数据。I-Sim中的车辆模型可以保证TrajGen生成的轨迹满足车辆运动学约束。最后，我们给出了全面的指标来评估模拟场景中生成的轨迹，这表明TrajGen在保真度，反应性，可行性和多样性方面优于轨迹预测或逆强化学习。
2022-03-31 cs.AI cs.RO
Interaction-Aware Trajectory Prediction and Planning for Autonomous Vehicles in Forced Merge Scenarios
University of Michigan（密歇根大学）；Ford Motor Company（福特汽车公司）
一般来说，合并对于人类驾驶员和自动驾驶车辆来说都是一项具有挑战性的任务，特别是在密集的交通中，因为合并车辆通常需要与其他车辆交互以识别或创建间隙并安全地合并。在本文中，我们考虑的问题，自主车辆控制强制合并的情况下。我们提出了一种新的博弈论控制器，称为领导者-追随者游戏控制器（LFGC），其中自主自我车辆和其他车辆与先验不确定的驾驶意图之间的相互作用被建模为部分可观察的领导者-追随者游戏。LFGC根据观测到的轨迹在线估计其他车辆的意图，然后预测它们的未来轨迹，并使用模型预测控制（MPC）规划自我车辆的自身轨迹，以同时实现概率上保证的安全和合并目标。为了验证LFGC的性能，我们在模拟和NGSIM数据中对其进行了测试，LFGC在合并中表现出97.5%的高成功率。
2021-12-14 cs.RO cs.SY eess.SY
Transfusor: Transformer Diffusor for Controllable Human-like Generation of Vehicle Lane Changing Trajectories
Purdue University（普渡大学）；Lyles School of Civil Engineering（莱尔土木工程学院）；Center for Connected and Automated Transportation (CCAT)（连通与自动化交通中心）
本文提出Transfusor模型，结合Transformer与扩散模型生成可控的类人变道轨迹，提升虚拟仿真测试场景的真实性，从而增强自动驾驶系统的安全性与可靠性。
2023-08-28 cs.AI cs.RO
Interaction-Aware Personalized Vehicle Trajectory Prediction Using Temporal Graph Neural Networks
InfoTech Labs, Toyota Motor North America R&D（丰田汽车北美研发中心信息技术实验室）
针对通用车辆轨迹预测忽视个体驾驶风格的问题，提出融合GCN与LSTM并经大规模预训练和驾驶员微调的交互感知个性化方法，提升了长时域预测精度。
2023-08-16 cs.AI cs.CV cs.LG
A Learning-based Stochastic Driving Model for Autonomous Vehicle Testing
Tongji University（同济大学）；University of Michigan（密歇根大学）；University of Michigan Transportation Institute（密歇根大学交通研究所）
在基于仿真的自动驾驶汽车（Autonomous Vehicles，AV）测试与评价中，背景车辆的驾驶行为直接影响到AV的驾驶行为，进而影响测试结果。现有的仿真平台使用预先确定的轨迹或确定性驾驶模型来对BV的行为进行建模。然而，预先确定的BV轨迹不能对AV的机动做出反应，并且由于缺乏随机分量和误差，确定性模型不同于真实的人类驾驶员。这两种方法都导致不切实际的交通情况。本文提出了一种基于学习的随机驾驶模型，以满足AV测试的独特需求，即交互式和人性化。该模型基于长短期记忆（LSTM）架构构建。通过将分位数回归的概念引入到模型的损失函数中，在没有任何人类驾驶员先验假设的情况下再现了随机行为。该模型的训练与大规模的自然驾驶数据（NDD）从安全试点模型部署（SPMD）项目，然后与随机智能驾驶模型（IDM）进行比较。对单个轨迹的分析表明，该模型可以比IDM再现更多与人类驾驶员相似的轨迹。为了验证所提出的模型在生成自然的驾驶环境的能力，交通仿真实验。结果表明，交通流参数，如速度，范围，车头时距分布与NDD匹配密切，这是非常重要的AV测试和评估。
2021-02-04 cs.RO cs.SY eess.SY
VeTraSS: Vehicle Trajectory Similarity Search Through Graph Modeling and Representation Learning
Dartmouth College（达特茅斯学院）；Shanghai Jiao Tong University（上海交通大学）；University of California, Irvine（加州大学欧文分校）；Harvard University（哈佛大学）
针对现有车辆轨迹相似性搜索方法架构复杂、未利用轨迹动态特征的问题，提出基于多尺度图建模与多层注意力GNN的端到端框架VeTraSS，在两个数据集上达到SOTA，可支撑自动驾驶轨迹分析与安全导航。
2024-04-11 cs.AI cs.LG cs.RO
ARETE: Attention-based Rasterized Encoding for Topology Estimation using HSV-transformed Crowdsourced Vehicle Fleet Data
Mercedes-Benz AG, Research \& Development, Sindelfingen, Germany Institute for Intelligent Systems, Esslingen University of Applied Sciences, Esslingen, Germany
本文提出ARETE方法，利用HSV变换的众包车辆数据生成高精度道路拓扑图，通过栅格化编码和注意力机制预测车道中心线和分隔线。
2026-04-27 cs.AI cs.CV cs.LG
DiversityGAN: Diversity-Aware Vehicle Motion Prediction via Latent Semantic Sampling
Toyota Research Institute（丰田研究院）；Massachusetts Institute of Technology（麻省理工学院）
车辆轨迹预测对于自动驾驶和高级驾驶员辅助系统至关重要。虽然现有的方法可以从车辆轨迹的预测分布中采样，但它们缺乏探索它的能力-这是从规划和验证角度评估安全性的关键能力。在这项工作中，我们设计了一种新的方法来生成逼真的和多样化的车辆轨迹。我们用低维近似语义空间扩展了生成对抗网络（GAN）框架，并塑造了该空间以捕获合并和转向等语义。我们以模拟预测分布的方式从这个空间中采样，但允许我们控制语义上不同结果的覆盖范围。我们在一个公开的数据集上验证了我们的方法，并显示了实现最先进的预测性能的结果，同时提供了预测轨迹语义空间的更好覆盖。
2020-03-22 cs.AI cs.LG cs.RO
Constrained Imitation Learning for a Flapping Wing Unmanned Aerial Vehicle
The George Washington University（乔治华盛顿大学）
提出了一种基于数据驱动的微型扑翼无人机最优控制策略。首先，一组最佳的轨迹计算离线的基础上的几何制定的动力学，捕捉大角度扑动运动和准定常空气动力学之间的非线性耦合。然后，根据模仿学习的框架，将其转化为反馈控制系统。特别是，一个额外的约束，通过学习过程中，以提高所得到的控制动态的稳定性。与传统方法相比，所提出的约束模仿学习无需在线生成额外的最优轨迹，而不会牺牲稳定性。因此，计算效率得到了显著提高。此外，这建立了第一个非线性控制系统，稳定的扑翼飞行器的纵向和横向耦合动力学，而不依赖于平均或线性化。这些都说明了数值例子的启发，帝王蝶的模拟模型。
2022-06-08 cs.RO cs.SY eess.SY
Exploring Attention GAN for Vehicle Motion Prediction
University of Alcalá（阿尔卡拉大学）；University of Würzburg（维尔茨堡大学）
设计安全可靠的自动驾驶堆栈（ADS）是我们这个时代最具挑战性的任务之一。这些ADS预计将在高度动态的环境中完全自主驾驶，并且比人类更可靠。从这个意义上说，为了在任意复杂的交通场景中高效安全地导航，ADS必须能够预测周围参与者的未来轨迹。目前最先进的模型通常基于递归、图和卷积网络，在车辆预测方面取得了显著的效果。在本文中，我们探讨了注意力在运动预测生成模型中的影响，同时考虑了物理和社会背景来计算最合理的轨迹。我们首先使用LSTM网络对过去的轨迹进行编码，该网络作为计算社会背景的多头自我注意模块的输入。另一方面，我们制定了一个加权插值来计算最后一个观察帧中的速度和方向，以计算可接受的目标点，从HDMap信息的可驱动性中提取，这代表了我们的物理环境。最后，我们的生成器的输入是从多元正态分布中采样的白噪声向量，而社会和物理环境是其条件，以便预测合理的轨迹。我们验证我们的方法使用Argoverse运动预测基准1.1，实现竞争力的单峰结果。
2022-09-26 cs.AI cs.CV cs.RO
Extraction and Assessment of Naturalistic Human Driving Trajectories from Infrastructure Camera and Radar Sensors
BMW of North America（北美宝马公司）；Graz University of Technology（格拉茨工业大学）
收集真实的驾驶轨迹对于训练模仿人类驾驶行为的机器学习模型至关重要。今天的大多数自动驾驶数据集在每个位置只包含几个轨迹，并且是由受过训练的驾驶员谨慎驾驶的测试车辆记录的。特别是在高速公路合并等交互式场景中，测试驾驶员的行为会显著影响其他车辆。这种影响妨碍了记录人类驾驶行为的整个交通空间。在这项工作中，我们提出了一种新的方法来提取交通对象的轨迹，使用基础设施传感器。基础设施传感器使我们能够记录一个位置的大量数据，并将测试驾驶员排除在循环之外。我们开发了由摄像头和交通监控雷达组成的硬件设置和轨迹提取算法。我们的视觉管道可以准确地检测物体，融合摄像头和雷达检测，并随着时间的推移跟踪它们。我们改进了一个国家的最先进的目标跟踪器相结合的跟踪图像坐标与卡尔曼滤波器在道路坐标。我们表明，我们的传感器融合方法成功地结合了相机和雷达检测的优势，并优于任何单一的传感器。最后，我们还评估了我们的轨迹提取管道的准确性。为此，我们为测试车辆配备了差分GPS传感器，并使用它来收集地面真实轨迹。利用这些数据，我们可以计算出测量误差。虽然我们使用平均误差来消除轨迹的偏差，但误差标准差是地面实况数据不准确的幅度。因此，提取的轨迹不仅是自然的，而且高度准确，并证明了使用基础设施传感器来提取真实世界轨迹的潜力。
2020-04-02 cs.CV cs.RO eess.IV
Graph-Based Spatial-Temporal Convolutional Network for Vehicle Trajectory Prediction in Autonomous Driving
Shanghai Jiao Tong University（上海交通大学）
预测相邻车辆的运动轨迹是自主车辆进行决策和运动规划的关键步骤。本文提出了一种基于图的时空卷积网络（GSTCN），预测未来的轨迹分布的所有邻居车辆使用过去的轨迹。该网络使用图卷积网络（GCN）处理空间交互，并使用卷积神经网络（CNN）捕获时间特征。时空特征通过门控递归单元（GRU）网络进行编码和解码，以生成未来的轨迹分布。此外，我们提出了一个加权邻接矩阵来描述车辆之间的相互影响的强度，烧蚀研究表明，我们提出的方案的有效性。在下一代仿真系统（NGSIM）中的I-80和US-101两个真实的高速公路轨迹数据集上对该网络进行了测试，从预测误差、模型大小和推理速度三个方面进行了比较，结果表明该网络具有最佳的性能。
2021-09-27 cs.AI cs.LG cs.RO
Probabilistic Prediction of Interactive Driving Behavior via Hierarchical Inverse Reinforcement Learning
University of California, Berkeley（加州大学伯克利分校）
自动驾驶汽车（AVs）已经上路。为了安全有效地与其他道路参与者进行交互，自动驾驶汽车必须准确预测周围车辆的行为并相应地进行规划。这种预测应该是概率性的，以解决人类行为中的不确定性。这种预测也应该是互动的，因为在所有可能的轨迹的预测车辆的分布不仅取决于历史信息，但也对未来的计划，其他车辆与它互动。为了实现这种互动感知的预测，我们提出了一种概率预测方法的基础上分层逆强化学习（IRL）。首先，我们明确地考虑了人类驾驶员的分层自动生成过程，涉及离散和连续的驾驶决策。在此基础上，在所有未来轨迹的预测车辆的分布被制定为一个混合的分布划分的离散决策。然后，我们应用IRL分层学习分布从真正的人类示威。提供了一个案例研究的坡道合并驾驶方案。定量结果表明，所提出的方法可以准确地预测离散的驾驶决策，如屈服或通过以及连续的轨迹。
2018-09-09 cs.AI cs.LG cs.RO
Safe Deep Q-Network for Autonomous Vehicles at Unsignalized Intersection
The Pennsylvania State University（宾夕法尼亚州立大学）
我们提出了一种安全的日间行车线方法，自动驾驶汽车（AV）导航通过人群的行人，同时在无信号交叉口左转。我们的方法使用两个长短期记忆（LSTM）模型，这些模型经过训练，可以生成环境的感知状态和行人的未来轨迹，并给出对他们运动的嘈杂观察。未来碰撞预测算法的基础上的自我车辆和行人的未来轨迹是用来掩盖不安全的行动，如果系统预测碰撞。我们的方法的性能进行了评估，在两个实验中使用高保真CARLA仿真环境。第一个实验测试我们的方法在与训练交叉点相似的交叉点处的性能，第二个实验测试我们的方法在具有不同拓扑结构的交叉点处的性能。对于这两个实验，我们的方法不会导致与行人的碰撞，同时仍然以合理的速度导航十字路口。
2021-06-08 cs.AI cs.LG cs.RO
Intersection-Traffic Control of Autonomous Vehicles using Newton-Raphson Flows and Barrier Functions
Georgia Institute of Technology（佐治亚理工学院）
本文研究了一种新的非线性跟踪技术在交叉口自动车辆轨迹控制中的应用。该技术使用牛顿-拉夫森方法的流版本，用于将预测的系统输出控制到未来的参考目标。它的实现是基于常微分方程的数值解，它没有指定任何特定的方法来计算其未来的参考轨迹。因此，它可以使用相对简单的算法在粗糙的模型计算目标轨迹，和更精确的模型和算法的轨迹控制中的紧循环。我们证明了这一点，在现有的预测交通规划和控制方法与我们的跟踪技术。此外，我们通过将控制障碍函数的框架应用于跟踪技术来保证安全规范。
2020-04-21 cs.RO cs.SY eess.SY
Lidar based Detection and Classification of Pedestrians and Vehicles Using Machine Learning Methods
University of Virginia（弗吉尼亚大学）
本文的目标是将LiDAR传感器映射的对象分类为不同的类别，如车辆，行人和骑自行车的人。利用基于LiDAR的物体检测器和基于神经网络的分类器，提出了一种新的实时目标检测，其基本上是关于辅助自动驾驶车辆识别和分类在驾驶过程中遇到的其他物体并相应地进行。我们使用机器学习方法来讨论我们的工作，以解决自动驾驶汽车机器学习应用中常见的高级问题：从3D LiDAR传感器获得的点云数据的分类。
2019-06-12 cs.CV cs.LG cs.RO
Creating awareness about security and safety on highways to mitigate wildlife-vehicle collisions by detecting and recognizing wildlife fences using deep learning and drone technology
Rhodes University（罗德斯大学）；University of Ngaoundéré（恩冈代雷大学）
在南非，人们在长途旅行时将车辆停在路边休息是一种常见的做法。这种做法可能会增加人类与野生动物的接触，威胁到它们的安全。在这里，我们打算建立对野生动物围栏的认识，使用无人机技术和计算机视觉算法来识别和检测野生动物围栏和相关特征。我们在南非东开普省的Amakhala和Lalibela私人禁猎区收集数据。我们使用野生动物电围栏数据包含单，双栅栏的分类任务。此外，我们使用从无人机和静态相机中提取的航拍和静态注释图像进行分割和检测任务。无人机相机的模型训练结果优于静态相机。通常，较差的模型性能归因于（1）图像的过度解压缩以及（2）与仅捕获野生动物围栏的前视图的静止相机相比，无人机相机捕获图像上的更多细节以供机器学习模型学习的能力。我们认为，我们的模型可以部署在客户端边缘设备上，以告知人们野生动物围栏的存在和意义，从而最大限度地减少人类与野生动物的接触，从而减少野生动物与车辆的碰撞。
2022-12-22 cs.CV cs.LG cs.RO
Uncertainty-Aware DRL for Autonomous Vehicle Crowd Navigation in Shared Space
University of Waterloo（滑铁卢大学）
提出一种不确定性感知的DRL方法，通过新颖奖励函数纳入行人预测不确定性，在真实行人仿真环境中训练，显著降低碰撞率并提升安全距离，优于现有模型和MPC方法。
2024-05-22 cs.AI cs.LG cs.RO
Optimal Excitation Trajectories for System Identification of Underwater Vehicles
New York University Abu Dhabi（纽约大学阿布扎比分校）
本文提出基于贝塞尔曲线参数化与优化问题设计水下航行器最优激励轨迹，在实验室水槽中验证，通过前向仿真评估辨识参数，实现可靠系统辨识。
2026-09-16 cs.RO
Incorporating Target Vehicle Trajectories Predicted by Deep Learning Into Model Predictive Controlled Vehicles
Technical University of Munich（慕尼黑工业大学）；Eindhoven University of Technology（埃因霍温理工大学）；Beijing Institute of Technology（北京理工大学）
本文提出一种风险感知MPC运动规划方法，利用RNN根据历史数据预测目标车辆轨迹，并将其纳入自车优化约束，仿真验证了预测精度与无碰撞轨迹生成能力。
2023-10-04 cs.RO
Evaluation of Automated Vehicles Encountering Pedestrians at Unsignalized Crossings
University of Michigan（密歇根大学）
本文提出了一种评估自动驾驶车辆在无信号交叉口与行人互动安全性和可行性的新方法，通过分析数据和模拟行人反应，验证了自动驾驶策略的有效性。
2017-03-28 cs.MA cs.RO cs.SY
An Ensemble Learning Framework for Vehicle Trajectory Prediction in Interactive Scenarios
Beijing Institute of Technology（北京理工大学）；Delft University of Technology（代尔夫特理工大学）
精确建模交互和准确预测周围车辆的轨迹是智能车辆决策和路径规划的关键。本文提出了一种新的框架集成学习的基础上，以提高交互式场景中的轨迹预测的性能。该框架被称为交互式包围轨迹预测器（IETP）。IETP将交互感知轨迹预测器组装为基础学习器以构建集成学习器。首先，IETP中的每个基学习器观察场景中车辆的历史轨迹。然后，每个基本学习器处理车辆之间的交互以预测轨迹。最后，一个集成学习器被建立来预测轨迹，通过应用两个集成策略从所有基学习器的预测。集成学习器生成的预测是IETP的最终输出。在这项研究中，使用不同的数据进行了三个实验的基础上NGSIM数据集。实验结果表明，与基本学习器相比，IETP提高了预测精度，降低了误差方差。此外，IETP超过基线模型的50%的训练数据，表明IETP是数据效率。此外，IETP的实施情况可在https://github.com/BIT-Jack/IETP上公开查阅。
2022-04-17 cs.RO
Improving Autonomous Vehicle Mapping and Navigation in Work Zones Using Crowdsourcing Vehicle Trajectories
Purdue University（普渡大学）
互联和自动驾驶车辆（CAV）地图的普遍解决方案包括高清地图（HD地图）或实时同时定位与地图构建（SLAM）。这两种方法都只依赖于车辆本身（车载传感器或嵌入式地图），不能很好地适应临时改变的可驾驶区域，如工作区。在这些区域中导航CAV在很大程度上依赖于车辆如何基于感知信息定义可驾驶区域。在这些情况下，提高感知准确性和确保正确解释感知结果的困难对车辆来说是具有挑战性的。本文提出了一个原型，将众包轨迹信息引入到地图绘制过程中，以增强CAV对可行驶区域和交通规则的理解。基于众包轨迹，采用高斯混合模型（GMM）构建临时变化的可行驶区域和占用栅格地图（OGM）。该方法与SLAM相比，没有任何人类驾驶信息。该方法与下游的路径规划和车辆控制模块有很好的适应性，并且CAV没有违反驾驶规则，这是纯SLAM方法所不能实现的。
2023-01-22 cs.AI cs.RO
Towards Search-based Motion Planning for Micro Aerial Vehicles
University of Pennsylvania（宾夕法尼亚大学）；UC San Diego（加州大学圣地亚哥分校）
基于搜索的运动规划已被用于移动机器人的许多应用。然而，由于微型飞行器（MAVs）复杂的动力学和实时计算的要求，它还没有得到充分的发展和应用，规划的全状态轨迹。在本文中，我们探讨了一个基于搜索的运动规划框架，计划动态可行的，无碰撞，分辨率最佳和完整的轨迹。本文扩展了基于搜索的规划方法，以解决三个重要的情况下，微型飞行器导航：（i）规划安全的轨迹存在的运动不确定性;（ii）规划与约束的视野和（iii）规划在动态环境中。我们表明，这些问题可以有效地解决，高效地使用所提出的基于搜索的运动基元规划。
2018-10-07 cs.RO
LADAR-Based Vehicle Tracking and Trajectory Estimation for Urban Driving
General Dynamics Robotic Systems（通用动力机器人系统公司）
无人驾驶地面车辆的安全移动需要可靠地检测其他车辆，以及对其位置和轨迹的精确估计。在这里，我们描述的算法和系统，我们已经开发了精确的轨迹估计附近的车辆使用机载扫描激光雷达。我们介绍了一个可变轴阿克曼转向模型，并比较这一独立的转向模型。然后，对于鲁棒跟踪，我们提出了一个多假设跟踪器，结合这些运动学模型，以利用各自的优势。当使用我们的技术估计的轨迹输入到规划器中时，它们使无人驾驶车辆能够在城市环境中协商交通。结果已被评估运行在实时的与扫描激光雷达的移动车辆。
2017-09-25 cs.RO
Efficient and Interaction-Aware Trajectory Planning for Autonomous Vehicles with Particle Swarm Optimization
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Honda Research Institute（本田研究所）
本研究针对自动驾驶换道场景，提出结合粒子群优化、神经网络预测及多项式曲线拟合的轨迹规划方法，可实时生成平滑可行的换道轨迹，仿真对比验证了其有效性。
2024-02-02 cs.RO
Conditional Vehicle Trajectories Prediction in CARLA Urban Environment
Valeo Driving Assistance Research（法雷奥驾驶辅助研究）
模仿学习对于自动驾驶来说越来越成功。端到端（原始信号到命令）在相对简单的任务（车道保持和导航）上表现良好。中到中（环境抽象到中级轨迹表示）或直接感知（原始信号到性能）方法致力于处理更复杂的现实生活环境和任务（例如复杂的交叉路口）。在这项工作中，我们表明，复杂的城市情况下，可以处理原始信号输入和中级表示。我们建立了一个混合端到中间的方法预测轨迹的邻居车辆和自我车辆的条件导航目标。我们提出了一个受社会池LSTM启发的原始架构，将低层和中层数据作为输入，并将轨迹作为时间的多项式。我们引入了一个标签增强机制，以获得控制车辆所需的泛化水平。在CARLA 0.8基准上评估了性能，显示出比先前公布的最新技术水平有显著改进。
2019-09-02 cs.AI cs.RO
A Framework for Collision-Tolerant Optimal Trajectory Planning of Autonomous Vehicles
碰撞容限轨迹规划是考虑碰撞，如果规划得当，可以为能够处理碰撞的机器人提供更有效的路径规划。一个混合整数规划（MIP）的优化配方演示了计算的实用性，包括计划的碰撞优化轨迹。提出了一种毁伤量化函数，并通过仿真研究了毁伤函数约束对弹道的影响。使用一个简单的例子，在此模式下实现的性能增加相比，无碰撞的最佳轨迹。
2016-11-23 cs.RO
Generating 6-D Trajectories for Omnidirectional Multirotor Aerial Vehicles in Cluttered Environments
School of Mechanical Engineering and Automation, Harbin Institute of Technology Shenzhen（哈尔滨工业大学（深圳）机械工程与自动化学院）；Faculty of Aerospace Engineering, Delft University of Technology（代尔夫特理工大学航空航天工程学院）；Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）
针对全向多旋翼飞行器在杂乱静态环境中的安全飞行问题，提出基于优化的6维SE(3)轨迹生成框架，并通过仿真和真机实验验证。
2024-07-13 cs.RO
A Hierarchical Multi-Vehicle Coordinated Motion Planning Method based on Interactive Spatio-Temporal Corridors
Beijing Institute of Technology（北京理工大学）
提出基于交互式时空走廊（ISTCs）的多车协调运动规划分层方法，通过混合整数二次规划构建走廊解耦高维冲突，再用非线性规划生成满足动力学的轨迹，有效降低计算压力并提升真实场景适用性。
2023-04-03 cs.RO
An Assessment of Safety-Based Driver Behavior Modeling in Microscopic Simulation Utilizing Real-Time Vehicle Trajectories
Massachusetts Institute of Technology（麻省理工学院）；Virginia Polytechnic Institute and State University（弗吉尼亚理工学院暨州立大学）
在仿真建模中，观察到的驾驶行为的准确表示对于有效评估安全和性能干预至关重要。在这项研究中，我们实施和评估基于安全的最优速度模型（OVM），以提供一个高保真度的复制安全关键行为的微观模拟，并展示其影响的交通控制策略的安全为重点的评估。利用从实时的【形】视频推理中提取的详细车辆轨迹信息，在PTV VISSIM中为研究地点创建综合仿真模型，这些信息还用于校准基于安全的OVM的参数，以复制研究地点中观察到的驾驶行为。校准模型，然后纳入作为一个外部驱动程序模型，超过VISSIM的默认的Wiedemann 74模型在模拟汽车跟踪事件。初步分析的结果表明，通过使用我们的模型在复制研究现场观察到的现有安全冲突所取得的显着改善。然后，我们利用这种改进的现状表示，以评估信号控制和限速执法的不同情况下，减少现有的冲突高达23%的潜在影响。本研究的结果展示了通过利用数据驱动的车辆跟随行为建模可以实现的显著改进，并且所提出的工作流提供了一种端到端的，可扩展的，自动化的和可推广的方法，用于通过利用通过路边视频推理有效提取的车辆轨迹来复制在微观模拟中感兴趣的站点观察到的现有驾驶行为。
2022-10-17 cs.RO
Constant Time-Delay Leader Following with Neural Networks and Invariant Extended Kalman Filters for Arbitrary Trajectories
University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究所）；School of Computing（计算学院）
提出一种结合概率Seq2Seq神经网络与不变扩展卡尔曼滤波的恒定时间延迟轨迹跟踪方法，用于无通信、无全局坐标的车队，在SE(2)流形上准确估计领车轨迹，并利用几何模型预测控制提升性能。
2026-06-18 cs.RO
Mapping Tire-Road Friction Coefficients Along Driven Trajectories
Aalto University（阿尔托大学）；Energy and Mechanical Engineering（能源与机械工程学院）
针对智能车辆轮胎-路面摩擦系数映射的研究，提出离线方法FrictionMap，结合扩展卡尔曼滤波与Rauch-Tung-Striebel平滑器，经仿真验证其性能优于在线估计技术，相关代码与基准将开源。
2026-10-14 cs.RO
A Sequential Two-Step Algorithm for Fast Generation of Vehicle Racing Trajectories
Stanford University（斯坦福大学）
在最短时间内操纵车辆通过赛道的问题需要计算纵向（制动和油门）和横向（方向盘）控制输入。不幸的是，解决由此产生的非线性最优控制问题通常是计算昂贵的，不可行的实时轨迹规划。本文提出了一种迭代算法，将路径生成任务分为两个顺序的子问题，是显着更容易解决。给定通过赛道的初始路径，该算法运行一个前向-后向积分方案，以确定最短时间的纵向速度曲线，受轮胎摩擦约束。利用这种固定的速度曲线，该算法通过求解凸优化问题来更新车辆的路径，该凸优化问题使所产生的路径曲率最小化，同时保持在轨道边界内并遵守仿射、时变车辆动力学约束。这个两步过程反复重复，直到预测的单圈时间不再改善。虽然没有提供收敛或全局最优解的保证，但该方法在加州Willows的Thunderhill Raceway球场上进行验证时表现非常好。预测的单圈时间在四到五次迭代后收敛，在整个4.5公里的赛道上的每次迭代在膝上计算机上仅需要30秒的计算时间。在赛道上使用自动驾驶奥迪TTS测试车辆进行实验性驾驶，所产生的圈速和赛车线与非线性梯度下降解决方案和专业赛车驾驶员记录的轨迹相当。实验结果表明，该方法是一个可行的选择在线轨迹规划在不久的将来。
2019-02-02 cs.RO
Multi-Vehicle Interaction Scenarios Generation with Interpretable Traffic Primitives and Gaussian Process Regression
Carnegie Mellon University（卡内基梅隆大学）
当道路数据不足时，生成多车辆交互场景可以有益于自主车辆的运动规划和决策制定。本文提出了一种有效的方法来生成不同的多车辆交互场景，既可以适应不同的道路几何形状，并继承在现实世界中的驾驶的关键交互模式。为此，可用的多车辆相互作用的情况下，时间分割成几个可解释的基本构建块，称为交通原语，通过贝叶斯非参数学习。然后，通过基于采样的路径规划算法，将交通基元的变点转化为期望的道路，生成无碰撞的交互轨迹。最后引入高斯过程回归来控制生成的多车辆交互轨迹的方差和平滑度。对三种典型的多车运动轨迹进行了仿真实验。实验结果表明，我们提出的方法可以生成一堆类似人类的多车交互轨迹，可以适应不同的道路条件下保持在提供的场景中的代理的关键交互模式，这是进口的自主车辆的发展。
2019-10-08 cs.LG cs.RO
Self-supervised Pretraining for Integrated Prediction and Planning of Automated Vehicles
Changan Automobile（长安汽车）；Tsinghua University（清华大学）；Nanyang Technological University（南洋理工大学）
提出Plan-MAE自监督预训练框架，通过掩码自编码器融合道路网络、轨迹和导航路线的上下文理解及局部子规划任务，联合优化预测与规划，大幅提升自动驾驶规划性能。
2025-07-13 cs.RO
