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
Learning off-road maneuver plans for autonomous vehicles
Université Paris-Dauphine（巴黎多芬大学）；Sorbonne Université（索邦大学）；Facebook France（Facebook法国）；LAAS - CNRS（法国国家科学研究中心图卢兹实验室）；LORIA - INRIA（法国国家信息与自动化研究所洛林实验室）；Safran（赛峰集团）；P&S Group - NASA ARC（美国宇航局艾姆斯研究中心P&S小组）；CREC Saint-Cyr（圣西尔军校战争研究中心）
本文探讨了机器学习算法在越野情况下为自动驾驶车辆的在线规划和调度带来的好处。主要是，我们专注于感兴趣的典型问题，其中包括计算行程，满足一定的目标，以及计算调度策略，执行同步机动与其他车辆。我们提出了一系列以学习为基础的指南，以帮助不同的行程规划者。我们表明，这些算法允许显着提高性能的最佳规划。此外，在近似规划的情况下，我们表明，不仅运行时间减少，发现的行程的质量也变得几乎总是更好。最后，为了综合执行同步机动的策略，我们提出了一种新型的调度可控性和学习辅助算法。所提出的框架实现了显着的改进，在这种可控性类型的性能的国家的最先进的作品在相关的可控性类型的已知基准。此外，它能够找到复杂的调度问题，以前的作品没有这样做的策略。
2021-08-02 cs.AI cs.LG cs.RO
Experimental investigation of a maneuver selection algorithm for vehicles in low adhesion conditions
Universite de Sherbrooke（谢布鲁克大学）
本文在1/5比例汽车平台上实验验证了一种低附着条件下的机动选择算法，通过模型估计地面参数并训练数据驱动预测器，实现了实时参数估计与最优机动选择。
2024-05-23 cs.RO
A Maneuver-based Urban Driving Dataset and Model for Cooperative Vehicle Applications
University of Central Florida（中佛罗里达大学）
自动驾驶的短期未来可以想象为一种混合场景，在这种场景中，自动驾驶和人类驾驶的车辆在同一环境中共存。为了解决这种道路配置的需求，许多技术解决方案，如车辆通信和预测控制的自动驾驶汽车已在文献中介绍。上述两种解决方案都依赖于人类驾驶员的驾驶数据。在这项工作中，我们调查了目前可用的驾驶数据集，并介绍了在我们的城市驾驶数据收集活动中收集的基于真实世界的驾驶数据集。我们还提供了一个模型，该模型将模式嵌入到特定的样本中。这种模型可以用于分类和预测目的。
2020-08-21 cs.RO eess.SP
ManeuverGPT Agentic Control for Safe Autonomous Stunt Maneuvers
New York University（纽约大学）；Tandon School of Engineering, New York University（纽约大学坦登工程学院）；General Autonomy Inc.（通用自主公司）；Azdam AI
本文提出ManeuverGPT框架，利用大语言模型代理生成并执行高动态特技动作，通过迭代提示法优化车辆控制参数，实现安全的J-turn等特技动作执行。
2025-03-12 cs.AI cs.RO cs.SY
Improved Vehicle Maneuver Prediction using Game Theoretic Priors
本文提出将Level-k博弈论评估作为先验并结合传统运动分类模型，基于周围车辆状态和在线优化预测目标车辆机动，以提升变道预测准确性并增强ACC与iQ-Cruise的节油效果。
2025-09-26 cs.RO
A Review of Autonomous Road Vehicle Integrated Approaches to an Emergency Obstacle Avoidance Maneuver
The Ohio State University（俄亥俄州立大学）
随着乘用车技术的进步，它们的避障能力也在不断提高，特别是轮胎、悬架、转向以及ABS、ESC等安全技术以及最近的ADAS系统的发展。然而，客车周围的环境也变得更加复杂和危险。以前有研究概述了驾驶员在驾驶乘用车时试图避开障碍物的倾向和表现能力。现在，自动驾驶汽车正在开发具有避障能力的自动驾驶汽车，重要的是要达到或超过人类驾驶员的性能。本文重点介绍了对紧急避障机动（EOAM）至关重要的系统，并确定了每个相关系统的最新技术水平，同时考虑了高速公路行驶的细微差别。一些主要的EOAM相关的系统/领域，在这篇评论中讨论的是：一般的路径规划方法，系统层次结构，决策，轨迹生成，和容错跟踪控制方法。结束语后，对未来的工作，这可能会导致一个理想的EOAM发展的建议，进行了讨论。
2021-06-18 cs.LG cs.RO cs.SY
A Differentiable Composite Approximation Framework for Autonomous Underwater Vehicle Maneuvering Modeling from Sea-Trial Data
College of Shipbuilding Engineering, Harbin Engineering University（哈尔滨工程大学船舶工程学院）；China Academy of Aerospace Aerodynamics（中国航天空气动力技术研究院）；Institute of Artificial Intelligence, Shanghai University（上海大学人工智能研究院）；China Ship Scientific Research Center（中国船舶科学研究中心）
提出可微复合近似框架，结合多项式基与数据自适应基联合校准，并引入转向运动电流估计补偿，提升AUV机动预测精度。
2026-06-19 cs.LG cs.RO cs.SY
Dom, cars don't fly! -- Or do they? In-Air Vehicle Maneuver for High-Speed Off-Road Navigation
Department of Computer Science, George Mason University（计算机科学系，乔治·马歇尔大学）
本文提出了一种基于混合前向动力学模型的空中车辆操控方法，通过车辆控制实现高速越野导航中的精准空中 maneuver。
2025-03-24 cs.RO cs.SY eess.SY
Learning Based High-Level Decision Making for Abortable Overtaking in Autonomous Vehicles
Tallinn University of Technology（塔林理工大学）；Aalto University（阿尔托大学）；Nagoya University（名古屋大学）
针对当前自主超车技术仅适用于简单场景的问题，提出基于深度Q网络的可中止超车高层决策方法，经仿真与iseAuto实车验证可提升超车安全性。
2023-04-23 cs.RO
Synchronous Maneuver Searching and Trajectory Planning for Autonomous Vehicles in Dynamic Traffic Environments
College of Intelligence Science and Technology, NUDT（国防科技大学智能科学学院）
在动态环境下自主车辆的实时决策和局部规划过程中，由于全局任务的复杂性以及上层机动决策与下层轨迹规划之间的不兼容性，自主驾驶系统可能无法找到合理的策略，甚至陷入某种困境。针对这一问题，提出了一种基于同伦拓扑概念的同步机动搜索和轨迹规划算法。首先，在多车道道路上列举了一组具有边界限制的备选机动。首次提出利用轨迹轮廓（Trajectory Profiles，TP）快速构造不同路径所代表的拓扑机动，并提出了一种基于图搜索的走廊生成算法。有界走廊进一步限制了空间中的机动空间。然后提出了一种分步启发式优化算法，同步生成每个机动的可行轨迹。为了达到实时性能，我们初始化的状态进行优化的边界约束的机动，我们设置一些启发式的状态作为终端目标的二次成本函数。只有在给定特定机动的情况下，才始终保证可行轨迹的解。仿真和实车实验验证了该算法的有效性和有效性，该算法的计算时间小于37 ms。
2019-09-17 cs.RO eess.SP
A Reinforcement Learning Based Approach for Automated Lane Change Maneuvers
University of California, Berkeley（加州大学伯克利分校）
车道变换是一种重要的车辆操纵行为，需要与周围车辆协调。建立在基于规则的模型上的自动变道功能在预定义的操作条件下可能表现良好，但当遇到意外情况时，它们可能容易失败。在我们的研究中，我们提出了一种基于强化学习的方法来训练车辆代理学习自动变道行为，使其能够在各种甚至不可预见的情况下智能地进行变道。特别地，我们将状态空间和动作空间都视为连续的，并且设计了具有封闭形式贪婪策略的Q函数逼近器，这有助于我们的深度Q-学习算法的计算效率。仿真结果表明，基于强化学习的车辆智能体能够有效地学习到平滑的变道策略。
2018-04-21 cs.RO
Autonomous Road Vehicle Emergency Obstacle Avoidance Maneuver Framework at Highway Speeds
The Ohio State University（俄亥俄州立大学）
自主道路车辆（ARV）可以使用诸如油门（加速）、制动（减速）和转向（横向方向的改变）的输入来导航各种类型的道路网络。在大多数涉及正常车辆交通和遇到易受伤害的道路使用者（VRU）的抗逆转录病毒药物驾驶场景中，不要求抗逆转录病毒药物采取规避行动。本文提出了一种新的紧急避障机动（EOAM）的方法，ARV行驶在较高的速度和较低的路面摩擦，涉及时间临界机动的确定和控制。所提出的EOAM框架提供了ARV的传感，感知，控制和致动系统能力作为一个内聚系统的使用，以实现避免道路上的障碍物，首先基于性能可行性，其次基于乘客舒适性，并且被设计为很好地集成在ARV高级系统内。联合仿真包括Simulink中的ARV EOAM逻辑和CarSim中的车辆模型，速度范围为55至165 km/h，路面摩擦力范围为1.0至0.1。结果进行了分析，并给出了在整个ARV系统的背景下，与未来的工作的影响。
2022-03-29 cs.RO cs.SY eess.SY
Hybrid Physics-ML Modeling for Marine Vehicle Maneuvering Motions in the Presence of Environmental Disturbances
提出混合物理-机器学习框架，结合残差网络与三角特征提取，利用JH7500无人艇数据实现环境扰动下高精度长期预测。
2025-03-26 cs.RO
Decision-theoretic MPC: Motion Planning with Weighted Maneuver Preferences Under Uncertainty
Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院（KIT））；Porsche Motorsport（保时捷赛车运动部门）；Dr. Ing. h.c. F. Porsche AG（保时捷股份公司）
针对交通场景中其他参与者意图不确定导致自动驾驶车辆难选最优机动的问题，提出一种加权多机动轨迹的连续优化运动规划器，兼顾多类不确定性与应急机动可行性，在交互能力和舒适性上优于传统单机动规划器。
2024-10-07 cs.RO math.OC
AutoMCM: Maneuver Coordination Service with Abstracted Functions for Autonomous Driving
The University of Tokyo（东京大学）
协同智能交通系统（C-ITS）使用车联网（V2X）技术，使自动驾驶车辆更安全、更高效。目前的C-ITS应用主要集中在实时信息共享，如协同感知。除了更好的实时感知，自动驾驶汽车还需要通过协调行动计划来实现更高的安全性和效率。本研究设计了一个机动协调（MC）协议，使用七个消息，以涵盖各种方案和一个抽象的MC支持服务。我们通过扩展两个开源软件工具来实现我们的建议，即AutoMCM：用于自动驾驶的Autoware和用于C-ITS的OpenC 2X。结果表明，我们的系统有效地减少了通信带宽，通过限制消息交换的事件驱动的方式。此外，它表明，当车辆速度为30 km/h时，车辆运行速度提高了15%，当车辆速度为50 km/h时，使用我们的方案提高了28%。我们的系统在实验中表现出对数据包丢失的鲁棒性时，适当地设置消息超时参数。
2021-07-14 cs.RO
Fast Long-Term Multi-Scenario Prediction for Maneuver Planning at Unsignalized Intersections
Ulm University（乌尔姆大学）；Institute of Measurement, Control and Microtechnology（测量、控制与微技术研究所）
针对无信号交叉口机动规划需评估多场景、长预测时域的需求，提出两阶段长期预测方法，分离间隙接受度估计与速度预测，兼顾常规与协作车辆行为，精度优异且速度快，适配机动规划框架。
2024-09-17 cs.RO cs.SY eess.SY
Cooperative Energy and Time-Optimal Lane Change Maneuvers with Minimal Highway Traffic Disruption
Boston University（波士顿大学）；Honda Research Institute-US (HRI-US)（美国本田研究院（HRI-US））
我们推导出最优控制政策连接自动驾驶汽车（CAV）和合作的邻居CAV进行变道机动组成的纵向阶段，其中CAV正确定位自己相对于合作的邻居和横向阶段，它安全地改变车道。在这个问题上，在CAV的“自私”只寻求最小化其机动时间，我们试图确保快速车道的交通流被最小限度地破坏（通过一个适当定义的度量）以前的工作。此外，当进行变道机动，我们最佳地选择合作的车辆从一组可行的相邻车辆和实验表明，高速公路的吞吐量相比，人类驾驶的车辆改变车道没有合作的基线情况下，提高。当可行的解决方案不存在一个给定的最大允许中断，我们包括一个时间松弛的方法权衡了较长的机动时间减少中断。我们的分析也扩展到多个连续机动。仿真结果表明，我们的控制器的有效性，在安全保证和高达16%和90%的平均吞吐量和机动时间的改善相比，没有合作的机动。
2022-11-16 cs.RO cs.SY eess.SY
Altruistic Maneuver Planning for Cooperative Autonomous Vehicles Using Multi-agent Advantage Actor-Critic
University of Central Florida（中佛罗里达大学）；Stanford University（斯坦福大学）；University of California, Santa Barbara（加州大学圣巴巴拉分校）
本文提出一种多智能体优势Actor-Critic算法，用于自动驾驶车辆在混合交通环境中的利他性动作规划，以提升交通效率与安全。
2021-07-12 cs.AI cs.RO
Heading Lock Maneuver Testing of Autonomous Underwater Vehicle
Bandung Institute of Technology（万隆理工学院）；Center for Unmanned System Study Bandung Institute of Technology（万隆理工学院无人系统研究中心）
近年来，印度尼西亚万隆理工学院的自主式水下航行器（UAV）研发已经实现了外场测试阶段。这项测试仍被归类为早期测试，因为一些初步测试是在实验室规模下进行的。本文将讨论室内试验和现场试验。讨论强调了程序和将要实现的目标，以及一些早期成果。试验在面积约8300公顷的湖泊中进行，最大深度为50米。在选择测试地点时，已考虑到尽量减少海流和波浪的影响，以及距离实验室不太远的地点。本文将讨论的试验类型是航向锁定机动试验。车辆被测试为以一定的巡航速度移动，然后由任意选择的航向来指挥。记录车辆的响应和行为作为测试产生的数据。
2008-04-24 cs.RO
Accuracy Evaluation of a Lightweight Analytic Vehicle Dynamics Model for Maneuver Planning
Fraunhofer IOSB（弗劳恩霍夫IOSB研究所）
针对自动驾驶机动规划中简化动力学模型影响未明的问题，提出一种兼具参数解析提取和轨迹生成功能的轻量化解析车辆动力学模型，经实车测试评估其精度并分析简化假设的影响。
2024-05-14 cs.NA cs.RO cs.SY
Maneuver-based Anchor Trajectory Hypotheses at Roundabouts
University of Leeds（利兹大学）
预测周围车辆的未来行为对于自动驾驶平台安全地通过其他交通至关重要。这是至关重要的决策时，像穿越一个无信号交叉口。我们通过从人类驾驶员数据中学习来解决具有挑战性的环形交叉路口环境中的车辆运动预测问题。我们扩展了现有的经常性编码器-解码器模型，以便与锚轨迹相结合来预测环岛上的车辆行为。驾驶员的意图是由一组对应于语义驾驶概念的操纵编码的。因此，我们的模型采用了一组特定的锚点轨迹，覆盖了环形交叉路口可能出现的结果。所提出的模型可以输出一个多模态分布的预测未来的轨迹的基础上，特定的锚。我们使用公开的RoundD数据集对我们的模型进行了评估，实验结果表明，所提出的基于神经网络的锚回归在提高预测精度方面是有效的，将平均RMSE降低到比最佳基线低28%。我们的代码可在https://github.com/m-hasan-n/roundabout上获得。
2021-04-22 cs.CV cs.RO
Optimal Trajectory Planning with Collision Avoidance for Autonomous Vehicle Maneuvering
Magna International Inc.（Magna国际公司）
针对自动驾驶泊车机动，本文提出基于序列凸优化和离散 Dubins 模型的最优轨迹规划方法，在避撞与车辆物理约束下实现高效、平滑的无碰撞运动。
2025-05-13 cs.RO cs.SY eess.SY
Perch like a bird: bio-inspired optimal maneuvers and nonlinear control for Flapping-Wing Unmanned Aerial Vehicles
Dept. de Ingeniería de Sistemas y Automática, Universidad de Sevilla (Spain)（系统与自动化工程系，塞维利亚大学）
本研究通过生物启发方法设计扑翼无人机的最优着陆动作和非线性控制，实现稳定着陆并验证其与真实鸟类着陆轨迹的一致性。
2025-02-13 cs.RO cs.SY eess.SY
Safety Verification for Evasive Collision Avoidance in Autonomous Vehicles with Enhanced Resolutions
New York University（纽约大学）；North Carolina A&T State University（北卡罗来纳农工州立大学）；University of Notre Dame（圣母大学）；Qualcomm（高通公司）；Torc Robotics（托尔克机器人公司）；Glasgow Caledonian University（格拉斯哥卡里多尼亚大学）；American Axle & Manufacturing（美国车桥制造公司）；Gatik AI（加蒂克人工智能公司）
本文针对自动驾驶规避最小风险机动系统提出系统的危害分析、风险评估与损失评价方法，并引入缓释完整性等级以验证最小风险机动功能，从而提升主动安全功能的可靠性。
2024-11-05 cs.RO cs.SY eess.SY
Facilitating Cooperative and Distributed Multi-Vehicle Lane Change Maneuvers
Department of Mechanical Engineering, University of California-Berkeley, Berkeley, CA 94703 USA（加州大学伯克利分校机械工程系）
针对联网自动驾驶车辆多车变道被动且机会主义的问题，提出基于促进者角色的分布式协调方法，利用分布式MPC路径规划器和协调算法主动协作修改环境，仿真证明其显著提升了多车变道可行性。
2023-03-03 cs.RO cs.SY eess.SY
Automated Driving Maneuvers under Interactive Environment based on Deep Reinforcement Learning
University of California, Berkeley（加州大学伯克利分校）
在交互式和复杂的环境中安全和有效的自动驾驶机动可能是相当具有挑战性的，因为其他周围代理的不可预测的动作，这些代理在与自我车辆的交互中可能是合作的或对抗的。最先进的方法之一是应用强化学习（RL）来学习时序驾驶策略，以执行适当的控制策略或跟踪动态情况下的轨迹。然而，RL算法的直接应用并不足以令人满意地处理在自动驾驶领域的情况下，主要是由于复杂的驾驶环境和连续的动作空间。在本文中，我们采用Q学习作为我们的基本学习框架，并设计了一个独特的格式的Q函数逼近器，由神经网络来处理连续的动作空间的挑战。学习模型以连续控制变量的封闭形式存在，并在我们开发的嵌入式实时车辆交互特性的仿真平台中进行训练。所提出的算法避免了调用一个额外的演员网络，学习采取行动，在演员-评论家算法。同时，一些车辆动力学的先验知识也被输入到模型中，以辅助学习。通过一个具有挑战性的案例--变道机动，验证了所提方法的实用性和可行性。从累积的奖励和车辆性能的结果表明，RL车辆代理成功地学习一个安全，舒适和有效的驾驶策略中定义的奖励函数。
2019-01-24 cs.RO
Maneuver-based Trajectory Prediction for Self-driving Cars Using Spatio-temporal Convolutional Networks
University of Bonn（波恩大学）；Aptiv Services Deutschland GmbH（安波福服务德国有限公司）
预测其他车辆未来运动的能力是人类潜意识和毫不费力的技能，也是安全自动驾驶的关键。因此，自动驾驶汽车的轨迹预测近年来受到了广泛关注。然而，要达到人类水平的性能仍然是一项艰巨的任务。在动态和复杂的驾驶环境中，车辆行为和未来意图的多模态性质之间的相互依赖性使得轨迹预测成为一个具有挑战性的问题。在这项工作中，我们提出了一种新的，数据驱动的方法来预测车辆在道路环境中的运动。该模型允许推断未来的意图，从过去的互动车辆在高速公路上行驶的情况。使用我们的基于邻域的数据表示，该系统联合利用相关性在空间和时间域使用卷积神经网络。我们的系统考虑了多种可能的机动意图及其相应的运动，并预测未来五秒的轨迹。我们实施了我们的方法，并在不同国家的两个高速公路数据集上进行了评估，并且能够实现具有竞争力的预测性能。
2021-09-15 cs.RO
Kineto-Dynamical Planning and Accurate Execution of Minimum-Time Maneuvers on Three-Dimensional Circuits
Professorship of Autonomous Vehicle Systems, Technical University of Munich（自主车辆系统教授职位，技术大学慕尼黑）；Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所）；Department of Industrial Engineering, University of Trento（工业工程系，特伦托大学）；Department of Electrical and Information Engineering, Politecnico di Bari（电气与信息工程系，巴里理工学院）
本文提出人工赛车手ARD，融合新型KD车辆模型与E-NMPC，在三维赛道上在线规划并执行最短时间机动，圈速接近离线最优基准且具备误差下重规划能力。
2025-09-26 cs.RO
Prediction of Highway Lane Changes Based on Prototype Trajectories
Opel Automobile GmbH（欧宝汽车有限公司）；TU Darmstadt（达姆施塔特工业大学）
自动驾驶的愿景是提高道路安全和效率，同时为乘客提供便捷的出行体验。这要求自主系统正确估计当前的交通场景及其可能的演变。在高速公路场景中，早期识别切入机动对于风险感知机动规划至关重要。在本文中，提出了一种统计方法，它有利地利用一组原型车道变换轨迹，实现早期机动检测和不确定性感知的轨迹预测的交通参与者。原型轨迹的生成从实际的交通数据是通过凝聚层次聚类。在聚类过程中，聚类原型彼此的对齐被优化，并且当两个聚类合并时，所得到的原型的内聚性受到限制。在预测阶段，所观察到的车辆运动和典型的车道变换模式的数据库中的相似性进行评估，构建一组重要的特征，通过提升决策树的机动分类。结合混合模型中的典型车道变换实现来预测未来轨迹。基于B样条的轨迹自适应保证了从实际观察到的车辆状态到预测车辆状态的过渡期间的连续性。定量评估结果表明，所提出的概念的改进性能的机动和轨迹预测相比，以前实施的参考方法。
2019-07-25 cs.LG cs.RO stat.ML
From Tracking to Robust Maneuver Regulation: an Easy-to-Design Approach for VTOL Aerial Robots
Universitá del Salento（萨兰托大学）；CNRS（法国国家科学研究中心）；LAAS；Univ de Toulouse（图卢兹大学）
提出了一种垂直起降微型飞行器（MAV）的机动调节方案。与标准轨迹跟踪不同的是，机动调节具有固有的鲁棒性，这是因为车辆不需要追逐虚拟目标，而只是停留在具有给定速度分布的（适当设计的）期望路径上。在本文中，我们展示了如何一个强大的机动调节控制器可以很容易地设计转换现有的跟踪计划。所得到的机动控制器有三个主要的吸引人的功能，即它：（i）继承了跟踪控制器的鲁棒性，（ii）获得机动调节的吸引人的功能，和（iii）不需要任何额外的调整相对于跟踪控制器。我们证明了所提出的方案的正确性，并在实验中的纳米四旋翼显示其有效性。特别是，我们展示了一个非平凡的机动如何外部干扰作用于四旋翼导致不稳定的标准跟踪，而轻微影响的机动调节方案。
2016-10-05 cs.RO math.OC
A Hierarchical Control Framework for Drift Maneuvering of Autonomous Vehicles
Tsinghua University（清华大学）
漂移控制对于自动驾驶车辆的安全性至关重要，当由于雨或雪等外部条件而突然失去牵引力时。这是一个具有挑战性的控制问题，由于存在显着的侧滑和几乎完全饱和的轮胎。在本文中，我们专注于控制漂移机动以下圆形路径与固定或移动中心，受变化的轮胎-地面相互作用，这是常见的训练任务漂移爱好者，因此可以用作基准漂移控制的性能。为了实现上述任务，我们提出了一种新的分层控制体系结构，它的曲率和中心控制的轨迹。特别地，外环通过调整目标曲率来稳定中心，内环使用由$\mathcal{L}_1$自适应组件增强的前馈/反馈控制器来跟踪曲率。分层架构是灵活的，因为内部循环是任务不可知的，并适应轮胎-道路交互的变化，这允许外部循环独立于低层次的动态设计，开辟了结合复杂的规划算法的可能性。我们在仿真平台和1/10比例尺的遥控车上实现了我们的控制策略，仿真和实验结果都说明了我们的策略在实现上述漂移机动任务方面的有效性。
2021-11-30 cs.RO cs.SY eess.SY
Pedestrian and Passenger Interaction with Autonomous Vehicles: Field Study in a Crosswalk Scenario
University of Alcalá（阿尔卡拉大学）；Chalmers University of Technology（查尔姆斯理工大学）；Joint Research Centre, European Commission（欧盟委员会联合研究中心）
该研究在人行横道场景下开展自动驾驶车辆人车交互实证，结合内外部HMI与不同制动策略，通过问卷和量化指标验证了交互组合对行人安全感知、过街行为及乘客信心的差异化影响。
2023-12-11 cs.AI cs.HC cs.RO
Track based Offline Policy Learning for Overtaking Maneuvers with Autonomous Racecars
University of Pennsylvania（宾夕法尼亚大学）
无人驾驶汽车的日益普及带动了自动赛车领域的研发，而在自动赛车中超车是一项具有挑战性的任务。车辆必须在动态操纵的极限下进行检测和操作，并且必须在高速和高加速度下做出汽车决策。自动驾驶赛车中最关键的部分之一是与动态对手车辆进行超车的路径规划和决策。在本文中，我们提出了评估的轨道为基础的离线策略学习方法的自主赛车。我们定义了特定的轨道部分，并进行离线实验，以评估基于速度和位置的自我车辆的超车机动的概率。基于这些实验，我们可以定义每个轨道部分的超车概率分布。此外，我们提出了一个开关MPCC控制器设置，将学习的政策，以实现更高的超车机动率。通过详尽的模拟，我们表明，我们提出的算法是能够增加在不同的轨道部分超车的数量。
2021-07-20 cs.GT cs.RO
A Model-free Deep Reinforcement Learning Approach To Maneuver A Quadrotor Despite Single Rotor Failure
IIIT Delhi（德里印度理工学院）；IISER Bhopal（博帕尔印度科学教育与研究学院）
从故障恢复并继续任务的能力对于许多四旋翼应用是期望的。四旋翼飞行器的旋翼在执行任务时可能会发生故障，因此必须制定恢复策略，以便飞行器不受损坏。在本文中，我们开发了一种无模型的深度强化学习方法，用于四旋翼从单旋翼故障中恢复。该方法是基于软演员批评，使车辆悬停，土地，并执行复杂的机动。仿真结果验证所提出的方法，使用自定义模拟器。仿真结果表明，该方法实现了机器人的悬停、着陆和路径跟踪。我们还表明，所提出的方法是强大的风干扰。
2021-09-22 cs.RO
Realtime Global Optimization of a Fail-Safe Emergency Stop Maneuver for Arbitrary Electrical / Electronical Failures in Automated Driving
Audi AG（奥迪股份公司）；Fraunhofer IOSB（弗劳恩霍夫光学和微系统技术研究所）；Robert Bosch GmbH（罗伯特·博世有限公司）
针对自动驾驶车辆关键系统故障后的安全停车问题，本文聚焦无需故障后电气电子子系统参与的预设定液压机械紧急停车方案，研究能应对不确定性且可定期输出全局最优解的轻量规划算法。
2024-05-14 cs.NA cs.RO cs.SY
Maneuver Decision-Making with Trajectory Streams Prediction for Autonomous Vehicles
Cognitive Modeling Center（认知建模中心）；Moscow Institute of Physics and Technology（莫斯科物理技术学院）；Federal Research Center “Computer Science and Control”（计算机科学与控制联邦研究中心）；Russian Academy of Sciences（俄罗斯科学院）；AIRI
针对自动驾驶动态环境决策难题，提出融合采样与搜索的FFStreams++方法，结合轨迹预测模型，经CommonRoad仿真验证可有效执行多类机动、降低碰撞风险。
2024-09-16 cs.RO
Teaching Vehicles to Anticipate: A Systematic Study on Probabilistic Behavior Prediction Using Large Data Sets
Mercedes-Benz AG（梅赛德斯-奔驰股份公司）；Ulm University（乌尔姆大学）；University of Siegen（锡根大学）
通过观察他们的环境以及其他交通参与者，人类能够安全地驾驶道路车辆。然而，车辆乘客感知到无经验和有经验的驾驶员之间的显著差异。特别是，他们可能会得到这样的印象，即后者预测在接下来的几分钟内会发生什么，并在他们的驾驶行为中考虑这些预见。为了使自动驾驶汽车的驾驶风格在舒适性和感知安全性方面与人类驾驶员的驾驶风格相媲美，上述预测技能需要成为自动驾驶汽车的内置功能。本文系统地比较了使用机器学习技术为自动驾驶汽车产生这种意图的方法和策略。为了实现和测试这些算法，我们使用了一个大型的数据集收集超过30000公里的高速公路驾驶，并包含约40000现实世界的驾驶情况。我们进一步表明，它是可能的，以分类驾驶操纵即将在未来5秒内的ROC曲线下面积（AUC）高于0.92的所有定义的机动类。这使我们能够预测横向位置，预测范围为5秒，横向误差中位数小于0.21米。
2020-06-10 cs.LG cs.RO stat.ML
Robust LSTM-based Vehicle Velocity Observer for Regular and Near-limits Applications
PSL University（巴黎文理研究大学）；Mines Paris（巴黎矿业学院）；TU Braunschweig（布伦瑞克工业大学）；Heex Technologies（Heex技术公司）
本文提出一种基于LSTM的新型神经网络架构，仅使用传统车载传感器即可在常规及近操控极限场景下准确估计车辆速度，较现有方法更具鲁棒性和准确性。
2023-03-31 cs.RO eess.SP
Digital twin in virtual reality for human-vehicle interactions in the context of autonomous driving
Universidad de Alcalá（阿尔卡拉大学）；European Commission, Joint Research Centre（欧盟委员会联合研究中心）
本文通过虚拟现实和数字孪生技术测试自动驾驶车辆与行人的交互，发现虚拟HMI和平缓制动操作能促使行人更早横穿马路，且HMI激活能显著提升行人的安全感。
2023-07-27 cs.RO
Physics-Informed Neural Network Modeling of Vehicle Collision Dynamics in Precision Immobilization Technique Maneuvers
本文提出双物理信息神经网络框架，结合高斯混合模型与自适应防护层，实现高精度、高效的车辆碰撞力与轨迹预测，显著降低误差并支持实时安全控制。
2025-10-15 cs.RO cs.SY eess.SY
Autonomous Ramp Merge Maneuver Based on Reinforcement Learning with Continuous Action Space
University of California, Berkeley（加州大学伯克利分校）
匝道并线是保证道路安全和交通效率的重要手段。目前由多家汽车制造商和供应商开发的大多数自动驾驶系统通常仅限于限制进入的高速公路。将自动化模式扩展到匝道合并区带来了巨大的挑战。一个是自动驾驶汽车需要纳入未来目标（例如成功和顺利的合并），并在执行当前操作时优化受后续操作影响的长期奖励。此外，合并过程涉及合并车辆及其周围车辆之间的相互作用，其行为可能是合作的或对抗的，从而导致不同的合并对策，这对于成功完成合并至关重要。代替传统的基于规则的方法，我们建议应用强化学习算法的自动驾驶车辆代理，以找到一个最佳的驾驶策略，通过最大化的长期奖励在一个互动的驾驶环境。最重要的是，与大多数强化学习应用中将动作空间解析为离散的相反，我们的方法将动作空间和状态空间视为连续的，而不会产生额外的计算成本。我们独特的贡献是设计的Q-函数近似，其格式是结构化的二次函数，简单而有效的神经网络被用来估计其系数。训练平台的实现结果表明，车辆智能体能够学习到安全、平稳、及时的并车策略，表明了该方法的有效性和实用性。
2018-03-25 cs.AI cs.RO
Planning for Safe Abortable Overtaking Maneuvers in Autonomous Driving
Aalto University（阿尔托大学）
超车是驾驶中最具挑战性的任务之一，目前自动超车的解决方案仅限于简单和静态的场景。在本文中，我们提出了一种安全的自主超车行为和轨迹规划的方法。所提出的方法通过同时加强安全和最小化对相邻车道的侵入来优化轨迹。此外，该方法允许中止超车，使得自主车辆能够在安全性受到损害的情况下合并回到车道中，因为例如在操纵执行期间出现相反方向上的交通。使用有限状态机在每次机动时选择合适的机动，并使用安全集和可达集的组合来迭代地生成基于当前机动的中间参考目标。一个非线性模型预测控制器，然后计划动态可行的和无碰撞的轨迹，这些中间参考目标。仿真实验表明，中间参考生成和模型预测控制的组合能够处理多种行为，包括跟随领先车辆，超车和放弃超车，在一个单一的框架。
2021-08-02 cs.RO
Formal Verification of Station Keeping Maneuvers for a Planar Autonomous Hybrid System
LIX, Ecole Polytechnique, CNRS Universit \'e Paris-Saclay, 91120 Palaiseau, France；INRIA, Rennes, France
本文研究了平面自主混合系统轨道保持 maneuver 的形式验证，通过混合程序模型验证可达性和安全性属性，并利用Keymaera X自动生成不变量区域以满足验证需求。
2017-09-08 cs.RO cs.SY eess.SY
Refining Obstacle Perception Safety Zones via Maneuver-Based Decomposition
NVIDIA（英伟达）
本文提出利用自车机动信息对Hamilton Jacobi可达性感知安全区进行分解，并通过“时间卷积”生成特定机动安全区，在保持完备性前提下最高缩减76%。
2023-08-11 cs.RO
Trajectory Planning Using Reinforcement Learning for Interactive Overtaking Maneuvers in Autonomous Racing Scenarios
Technical University of Munich（慕尼黑工业大学）
本文提出一种基于强化学习的自动驾驶赛车轨迹规划方法，无需预测即可利用车辆交互实现超车，并引入安全层在轨迹不可行时生成次优可行解，显著提升高交互场景下的成功率。
2024-07-25 cs.RO
Improving behavior profile discovery for vehicles
INRIA（法国国家信息与自动化研究所）；Valeo（法雷奥）
针对仿真中模拟真实驾驶员行为的需求，本文提出一种仅基于交叉口无干扰观测的车辆行为轮廓发现方法，结合EKF、EM启发方法及KL准则实现聚类分析，无需环境地图信息且动态符合车辆运动。
2024-12-01 cs.RO
Decentralized Modeling of Vehicular Maneuvers and Interactions at Urban Junctions
Delft University of Technology（代尔夫特理工大学）
针对现有城市路口车辆交互建模依赖集中控制或预设路径、不适用于混合自动驾驶交通的问题，提出含上层启发式图搜索轨迹生成、下层预测控制的去中心化双层框架，无需车辆间信息共享，适配感知不确定性等随机因素，在多场景仿真中验证了真实性与准确性。
2025-07-29 cs.RO cs.SY eess.SY
Kinematic Characterization of Micro-Mobility Vehicles During Evasive Maneuvers
Virginia Tech Transportation Institute（弗吉尼亚理工大学交通研究所）；Virginia Polytechnic and State University（弗吉尼亚理工大学）；Waymo LLC（Waymo有限责任公司）
本研究通过试验场实验刻画了不同动力源和类型的微型移动车辆在紧急制动与急转中的运动学性能，发现电动车型制动更优但急转较弱，并验证了分段线性模型对多数车型制动轨迹的适用性。
2023-12-22 cs.RO physics.data-an
Systematic Evaluation of Applying Space-Filling Curves to Automotive Maneuver Detection
University of Gothenburg（哥德堡大学）；Chalmers University of Technology（查尔姆斯理工大学）
本文提出基于Z-order和Hilbert空间填充曲线的环岛机动检测方法，无需GPS数据，通过系统性评估发现仅用10Hz采样的纵横向加速度经Hilbert编码即可有效识别机动，满足GDPR隐私要求。
2023-10-23 cs.RO
Predicting Vehicle Behaviors Over An Extended Horizon Using Behavior Interaction Network
Hong Kong University of Science and Technology（香港科技大学）；DJI Technology Co., Ltd.（大疆创新科技有限公司）
预测交通参与者的可能行为是自动驾驶车辆的基本能力。许多行为检测和机动识别方法只有非常有限的预测范围，这使得规划的时间和空间不足。为了避免不令人满意的反应性决策，在规划中计算长期的未来回报至关重要，这需要扩展预测范围。在本文中，我们发现，在一个扩展的地平线上的车辆行为的线索，可以在车辆的相互作用，这使得人们有可能预测某种行为的可能性，即使在没有任何明确的机动模式。我们采用递归神经网络（RNN）的观察编码，并在此基础上，我们提出了一种新的车辆行为交互网络（VBIN），捕捉车辆的相互作用，从隐藏的状态和连接特征的每个相互作用对。我们的方法的输出是多个行为类的概率似然，这与遥远未来的多模态和不确定性相匹配。我们的方法对两个国家的最先进的方法和另外两个基线方法的公开可用的真实公路数据集的系统比较，表明我们的方法具有优越的精度和先进的交互建模能力。
2019-06-03 cs.LG cs.RO
Data and Knowledge for Overtaking Scenarios in Autonomous Driving
University of Porto（波尔图大学）；Bosch Car Multimédia Portugal, S.A.（博世汽车多媒体葡萄牙有限公司）
针对自动驾驶中缺乏超车场景真实数据的问题，本文在系统梳理现有数据集局限性的基础上，提出了一个以超车操作为核心的新合成数据集及相应特征集。
2023-05-30 cs.AI cs.LG cs.RO
MEAT: Maneuver Extraction from Agent Trajectories
Mercedes-Benz AG（梅赛德斯-奔驰股份公司）；Ulm University（乌尔姆大学）
基于学习的轨迹预测的进步是由大规模数据集实现的。然而，对这些数据集的深入分析是有限的。此外，预测模型的评估仅限于数据集中所有样本的平均度量。我们提出了一种自动化的方法，允许提取演习（例如，左转弯、车道变换）。该方法考虑有关代理动态的信息和有关代理沿着行驶的车道段的信息。虽然可以使用所得到的演习来训练分类网络，但我们示例性地使用它们来进行广泛的轨迹数据集分析和多个最先进的轨迹预测模型的特定于机器人的评估。此外，提供了数据集的分析和基于代理动力学的预测模型的评估。
2022-06-10 cs.CV cs.LG cs.RO
Collision Avoidance for Unmanned Aerial Vehicles in the Presence of Static and Moving Obstacles
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出了一种新的无人机在存在静态和运动障碍物的情况下的避碰方法。所提出的方法是基于一种新的形式的局部参数化的指导矢量场，称为避碰矢量场，产生平滑和直观的机动周围的障碍。机动遵循名义上的无碰撞路径，我们称之为流线的避碰矢量场。在多个障碍物的情况下，所提出的程序确定一个混合的矢量场，混合每个障碍物的防撞矢量场，并假定其形式，每当达到预定义的距离阈值。然后，根据计算的制导矢量场，不同的避碰控制器，产生无碰撞机动。此外，它表明，任何跟踪控制器的收敛保证可以使用的避免控制器跟踪的流线的碰撞避免矢量场。最后，数值模拟表明，所提出的方法的有效性和它的能力，以避免碰撞静态和移动弹出的威胁在三个不同的实际情况。
2021-06-25 cs.RO
