A Driving Intention Prediction Method Based on Hidden Markov Model for Autonomous Driving
在自动驾驶车辆和人类驾驶车辆同时存在的混合交通场景中，及时预测附近人类驾驶车辆的驾驶意图对于自动驾驶车辆的安全和高效驾驶至关重要。提出了一种基于隐马尔可夫模型（HMM）的自动驾驶汽车驾驶意图预测方法。代表不同的驾驶意图的障碍训练和测试与现场收集的数据从立交桥。在训练模型时，应用车辆的移动性特征的离散或连续表征。实验结果表明，利用连续表征的移动性特征训练的Hacker用于驾驶意图预测时，具有较高的预测精度。此外，当考虑车辆周围交通时，所提出的预测方法的性能得到进一步改善。
2019-02-25 cs.LG cs.RO stat.ML
Controlling an Autonomous Vehicle with Deep Reinforcement Learning
University of Bremen（不来梅大学）
提出了一种基于深度强化学习的自主车辆控制方法。一个神经网络代理被训练来映射其估计的状态，以加速和转向命令给定的目标，达到一个特定的目标状态，同时考虑检测到的障碍。使用最先进的近端策略优化结合模拟环境来执行学习。从头开始的训练需要五到九个小时。由此产生的代理在模拟和随后应用到控制一个全尺寸的研究车辆进行评估。为此，考虑了停车场的自主探索，包括转弯机动和避障。总而言之，这项工作是第一个成功将深度强化学习应用于真实车辆的例子。
2020-03-13 cs.AI cs.LG cs.RO
Intelligent Perception System for Vehicle-Road Cooperation
随着自动驾驶的发展，单个车辆自动驾驶技术的提升已经到了瓶颈。车路协同自动驾驶技术的进步，可以扩大车辆的感知范围，补充感知盲区，提高感知精度，推动自动驾驶技术的发展，实现车路融合。本项目主要利用激光雷达开发数据融合方案，实现车辆和道路设备数据的共享和融合，实现对动态目标的检测和跟踪。同时，设计了车路协同感知系统的测试场景，对车路协同感知系统进行了测试，验证了车路协同自主驾驶相对于单车自主驾驶的优势。
2022-08-30 cs.AI cs.RO
Adaptive Stress Testing with Reward Augmentation for Autonomous Vehicle Validation
Stanford University（斯坦福大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
确定可能的故障场景是评估自动驾驶汽车系统的关键步骤。真实世界的车辆测试通常用于自动驾驶车辆验证，但成本和时间要求很高。因此，模拟驱动的方法，如自适应压力测试（AST）已被提出来帮助验证。AST将寻找最可能的故障场景的问题表述为马尔可夫决策过程，可以使用强化学习来解决。在实践中，AST倾向于发现故障不可避免的场景，并且倾向于重复发现系统的相同类型的故障。这项工作解决了这些问题，通过编码域相关的信息到搜索过程中。通过这种修改，AST方法发现了一个更大的和更有表现力的子集的故障空间相比，原来的AST制定。我们表明，我们的方法是能够识别有用的自动驾驶汽车政策的失败场景。
2019-08-06 cs.AI cs.LG cs.RO
Improving benchmarks for autonomous vehicles testing using synthetically generated images
AGH University of Technology（AGH科技大学）
如今，自主技术是一个非常深入的探索领域，特别是计算机视觉作为车辆感知的主要组成部分。整个神经网络视觉系统的质量依赖于训练数据集，而世界上大多数国家的交通标志数据集都很难找到。这意味着来自美国的自动驾驶汽车将无法在立陶宛行驶，无法识别沿途的所有路标。在本文中，我们提出了一个解决方案，如何更新模型使用一个小的数据集，从国家的车辆将被用于。值得一提的是，这不是灵丹妙药，而是小规模的升级，可以促进数据访问有限的国家的自动驾驶汽车发展。我们实现了约10%的质量提高，并期望在未来的实验中取得更好的结果。
2019-04-23 cs.CV cs.LG cs.RO
Adaptive Game-Theoretic Decision Making for Autonomous Vehicle Control at Roundabouts
University of Michigan（密歇根大学）；Bilkent University（比尔肯特大学）
在本文中，我们提出了一个决策算法的自主车辆控制在环形交叉口。该算法是基于一个博弈论模型表示的自我车辆和对手车辆之间的相互作用，并适应于在线估计的对手车辆的驾驶员类型。模拟结果的报告。
2018-10-01 cs.GT cs.LG cs.RO
Multi-Vehicle Mixed-Reality Reinforcement Learning for Autonomous Multi-Lane Driving
University of Cambridge（剑桥大学）
自动驾驶有望改变道路交通。然而，多车辆和多车道的情况下，提出了独特的挑战，由于受约束的导航和不可预测的车辆相互作用。基于学习的方法--例如深度强化学习--正在成为自动设计智能驾驶策略的一种有前途的方法，可以应对这些挑战。然而，安全地学习多车辆驾驶行为的过程是困难的：虽然碰撞-及其接近避免-对于学习过程至关重要，但直接对自动驾驶车辆执行不成熟的政策会引起相当大的安全问题。在本文中，我们提出了一个安全有效的框架，可以学习在共享工作空间中运行的自动驾驶车辆的驾驶策略，在这种情况下，无法保证没有碰撞。我们的学习过程的关键是一个sim 2 real的方法，使用现实世界的在线政策适应在混合现实设置，其中其他车辆和静态障碍物存在于虚拟域。这使我们能够通过模拟学习代理与虚拟现实中的其他对象之间的碰撞（并从中学习）来执行安全学习。我们的研究结果表明，在混合现实中运行几次后，碰撞显着减少。
2020-02-10 cs.AI cs.LG cs.MA
Don't Get Yourself into Trouble! Risk-aware Decision-Making for Autonomous Vehicles
The Pennsylvania State University（宾夕法尼亚州立大学）
风险传统上被描述为不期望结果的预期可能性，例如自动驾驶车辆的碰撞。准确预测风险或潜在风险情况对于自动驾驶汽车的安全运行至关重要。在我们以前的工作中，我们表明风险可以由两个组成部分来表征：1）不期望结果的概率和2）对结果（损失）的不期望程度的估计。本文是我们以前工作的一个扩展。在本文中，使用我们训练的深度强化学习模型在人群中导航，我们为自动驾驶汽车开发了一个基于风险的决策框架，该框架集成了基于风险的高级路径规划和基于强化学习的低级控制。我们评估了我们的方法在一个高保真度的模拟，如CARLA。这项工作可以提高安全性，让自动驾驶汽车有一天可以避免和应对危险情况。
2021-06-08 cs.AI cs.RO
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
Interactive Decision Making for Autonomous Vehicles in Dense Traffic
Honda Research Institute USA（本田美国研究院）
密集的城市交通环境可能会产生准确的预测和动态模型不足以成功进行自动驾驶车辆运动规划的情况。我们调查如何一个自主智能体可以安全地与其他交通参与者进行谈判，使代理处理潜在的死锁。具体来说，我们考虑合并的地方，汽车之间的差距小于自我车辆的大小。我们提出了一个能够生成和响应交互行为的博弈论框架。我们的主要贡献是展示如何游戏树决策可以由自动驾驶汽车执行，包括近似和推理，使树搜索计算上容易处理。此外，为了测试我们的模型，我们开发了一个随机的基于规则的交通代理能够生成交互式的行为，可以作为一个基准，用于模拟交通参与者在拥挤的合并设置。
2019-09-27 cs.AI cs.RO
Dueling Deep Q Network for Highway Decision Making in Autonomous Vehicles: A Case Study
College of Automotive Engineering, Chongqing University（重庆大学汽车工程学院）；School of Vehicle and Mobility, Tsinghua University（清华大学车辆与 mobility学院）；University of Waterloo（滑铁卢大学）
本文利用深度强化学习（DRL）优化自动驾驶汽车的高速公路决策策略。首先，构建公路驾驶环境，其中包括本车、周围车辆和道路车道。然后将自动驾驶汽车的超车决策问题转化为一个最优控制问题。然后阐述了相关的控制动作、状态变量和优化目标。最后，深度Q网络被应用于获得自我车辆的智能驾驶策略。仿真结果表明，经过学习和训练后，自主车辆能够安全、高效地完成驾驶任务。
2020-07-16 cs.AI cs.LG
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
Driving Tasks Transfer in Deep Reinforcement Learning for Decision-making of Autonomous Vehicles
Chongqing University（重庆大学）；University of Waterloo（滑铁卢大学）
知识转移是实现自动驾驶汽车实时决策的一个很有前途的概念。本文构建了一个迁移深度强化学习框架，用于跨路段环境下驾驶任务的迁移。自动驾驶汽车在无信号交叉口的行驶任务分为左转、右转和直行。自主车辆（AEV）的目标是高效、安全地通过交叉口。这一目标促使研究车辆提高速度，避免碰撞其他车辆。从一个驾驶任务中学习到的决策策略在另一个驾驶任务中进行传递和评估。仿真结果表明，与相似任务相关的决策策略是可传递的。结果表明，所提出的控制框架可以减少时间消耗，实现在线实施.
2020-10-10 cs.AI cs.LG
Autonomous Algorithm for Training Autonomous Vehicles with Minimal Human Intervention
Ajou University（明知大学）；Seoul National University（首尔大学）；ThorDrive Co., Ltd.（ThorDrive有限公司）
针对真实世界强化学习训练自动驾驶车辆需频繁人工重置环境导致效率低的问题，提出一种自主算法，通过中止危险轮次、选取有价值初始状态、借助规则算法安全回位，实现少人工干预下的有竞争力驾驶性能。
2025-01-16 cs.LG cs.RO
Scalable Autonomous Vehicle Safety Validation through Dynamic Programming and Scene Decomposition
Stanford University（斯坦福大学）；NASA Ames Research Center（NASA艾姆斯研究中心）
自动驾驶中的一个悬而未决的问题是如何最好地使用模拟来验证自动驾驶汽车的安全性。现有技术依赖于模拟的推出，这对于发现罕见的故障事件可能是低效的，而其他技术被设计为仅发现单个故障。在这项工作中，我们提出了一种新的安全验证方法，试图估计分布超过故障的自治政策使用近似动态规划。这种分布的知识允许有效地发现许多失败的例子。为了解决问题的可扩展性，我们分解复杂的驾驶场景子问题，只包括自我车辆和其他车辆。这些子问题可以用近似动态规划来解决，并且它们的解被重新组合以近似完整场景的解。我们将我们的方法应用到一个简单的两辆车的情况下，以证明该技术，以及一个更复杂的五辆车的情况下，以证明可扩展性。在这两个实验中，我们观察到与基线方法相比，发现的失败数量有所增加。
2020-06-26 cs.LG cs.RO cs.SY
Decision-making at Unsignalized Intersection for Autonomous Vehicles: Left-turn Maneuver with Deep Reinforcement Learning
Chongqing University（重庆大学）；Chongqing University Three Gorges Hospital（重庆大学三峡医院）
决策模块使自主车辆能够在复杂的城市环境中，特别是在交叉路口的情况下达到适当的机动。提出了一种基于深度强化学习（DRL）的无人驾驶汽车无信号交叉口左转决策框架。研究的目标是在一个四向无信号交叉口的自动车辆进行高效和安全的左转机动。已开发的DRL方法包括深度Q学习（DQL）和双DQL。仿真结果表明，该决策策略能有效降低碰撞率，提高传输效率。本研究亦显示所建构之左转控制结构具有良好之即时性。
2022-12-21 cs.AI cs.LG
A Software Architecture for Autonomous Vehicles: Team LRM-B Entry in the First CARLA Autonomous Driving Challenge
University of São Paulo（圣保罗大学）
第一届CARLA自动驾驶挑战赛的目标是部署自动驾驶系统，以应对所有参与者都面临相同挑战的复杂交通情况。据主办方介绍，这项比赛是一种民主化和加速自动驾驶汽车在世界各地的研究和开发的方式，使用CARLA模拟器有助于自动驾驶汽车领域的发展。因此，本文提出了一个自动驾驶汽车在模拟城市环境中的导航，试图犯下最少的交通违规行为，作为基线的自主导航CaRINA 2平台的原始架构的架构设计。我们的代理人在模拟场景中旅行了几个小时，展示了他的能力，赢得了挑战赛四条赛道中的三条，并在剩下的赛道中排名第二。我们的架构是为了满足CARLA自动驾驶挑战赛的要求而设计的，包括使用3D点云进行障碍物检测、使用卷积神经网络（CNN）和深度信息进行交通标志检测和分类、使用短期运动预测进行碰撞检测的风险评估、使用马尔可夫决策过程（MDP）进行决策以及使用模型预测控制（MPC）进行控制。
2020-10-23 cs.AI cs.RO
DMAVA: Distributed Multi-Autonomous Vehicle Architecture Using Autoware
Faculty of Engineering（工程学院）；Applied Science（应用科学）；Ontario Tech University（安大略技术大学）
DMAVA是一种基于Autoware的分布式多自主车辆架构，通过集成ROS 2、Autoware Universe等工具，实现多车辆在分布式环境下的协同控制与一致行为。
2026-02-01 cs.AI cs.MA cs.RO
Comprehensive Autonomous Vehicle Optimal Routing With Dynamic Heuristics
Vellore Institute of Technology（韦洛尔理工学院）
针对自动驾驶车辆网络，提出一种结合动态启发式的混合AV网络最优路径规划模型，通过多车协同与实时适应提升交通效率、乘客舒适度和安全性。
2024-03-17 cs.AI cs.RO
A Tutorial On Autonomous Vehicle Steering Controller Design, Simulation and Implementation
Toyota Technological Institute（丰田工业大学）
在本教程中，我们详细介绍了用于自动驾驶汽车的自动停车和路径跟踪的简单控制器，为曲率计算提供了实用的方法。
2021-07-13 cs.RO
Gradient Policy on "CartPole" game and its' expansibility to F1Tenth Autonomous Vehicles
Trinity College Dublin（都柏林圣三一学院）；College Green（学院绿地）
策略梯度是一种有效的方法来估计对环境的持续行动。本文详细介绍了该算法的数学公式和代码实现.最后，将CartPole上的摇杆旋转角度与Autonomous车辆转弯时的角度进行比较，并利用Bicycle Model这一简单的Kinematic动力学模型，找出两者之间的相似性，以便将CartPole模型移植到F1tenth Autonomous车辆上。
2021-03-15 cs.AI cs.RO cs.SY
Deep Reinforcement Learning Controller for 3D Path-following and Collision Avoidance by Autonomous Underwater Vehicles
Norwegian University of Science and Technology（挪威科技大学）；Oklahoma State University（俄克拉荷马州立大学）
控制理论为工程师提供了大量的工具来设计控制器，以操纵动态系统的闭环行为和稳定性。这些方法在很大程度上依赖于对控制物理系统的数学模型的理解。然而，在复杂的系统中，如自主水下航行器执行路径跟踪和避碰的双重目标，决策变得不平凡。我们提出了一个解决方案，使用最先进的深度强化学习（DRL）技术，开发自主智能体能够实现这一混合目标，而无需先验知识的目标或环境。我们的研究结果表明，DRL在路径跟踪和避免碰撞的可行性，以实现人类的自主车辆系统在极端障碍配置的决策。
2020-06-17 cs.LG cs.RO
Assessing behaviour coverage in a multi-agent system simulation for autonomous vehicle testing
University of Bristol（布里斯托大学）
本研究提出了一种基于模型预测控制的行人智能体，用于评估多智能体系统模拟在自动驾驶测试中的行为覆盖率，以提升系统安全性和可靠性。
2025-12-29 cs.LG cs.MA cs.RO
UAV-based Intelligent Information Systems on Winter Road Safety for Autonomous Vehicles
University of Oulu（奥卢大学）
针对冬季恶劣天气下车道宽度受限易引发自动驾驶汽车事故的问题，本研究提出含道路分割与宽度估算模型的方法，从无人机和自动驾驶汽车双视角获取信息，以提升自动驾驶汽车冬季路况下的适应与决策能力。
2024-06-18 cs.AI cs.CV cs.RO
Towards Fully Intelligent Transportation through Infrastructure-Vehicle Cooperative Autonomous Driving: Challenges and Opportunities
PerceptIn（感知创新公司）；South China University of Technology（华南理工大学）；Northwestern University（西北大学）
基础设施-车辆协同自动驾驶方法依赖于智能道路和智能车辆之间的合作。与传统的车载自动驾驶方法相比，这种方法不仅更安全，而且更经济。在本文中，我们介绍了我们在协作自动驾驶领域的实际部署经验，并深入探讨了新挑战和机遇的细节。具体而言，根据我们在商业部署方面的进展，我们遵循了合作自动驾驶方法的三个阶段发展路线图：基础设施增强自动驾驶（IAAD），基础设施引导自动驾驶（IGAD）和基础设施规划自动驾驶（iPad）。
2021-03-03 cs.AR cs.NI cs.RO
Formal Verification of Autonomous Vehicle Platooning
University of Sheffield（谢菲尔德大学）
预计在不久的将来，我们的高速公路上将有多辆自动驾驶汽车组成车队或车队。然而，在部署这样的车队之前，必须对这些车队中车辆的新自主行为进行认证。车辆排队的一个适当的表示是作为一个多智能体系统，其中每个代理捕获的“自主决策”进行的每辆车。为了保证车辆队列中的自主决策智能体不违反安全要求，我们使用了形式化验证。然而，由于用于验证代理代码的形式化验证技术不能扩展到整个系统，并且由于全局验证技术不能捕获自治行为的基本验证，因此我们使用两种方法的组合。这种混合策略使我们不仅可以验证系统模型的安全要求，还可以验证用于对自动驾驶汽车进行编程的实际代理代码的安全要求。
2016-02-04 cs.AI cs.SE
Want a Ride? Attitudes Towards Autonomous Driving and Behavior in Autonomous Vehicles
Johannes Kepler University Linz（约翰内斯·开普勒大学林茨分校）
本文通过12人实地实验，发现对自动驾驶的态度并不影响驾驶干预和视线行为，指出缺乏实地测试的自动驾驶研究在评估行为、态度与接受度方面可能不可靠。
2024-09-04 cs.HC cs.RO
Autonomous Vehicle Benchmarking using Unbiased Metrics
University of California, San Diego（加州大学圣迭戈分校）
随着自动驾驶汽车技术的最新发展，人们积极努力在不同规模上部署这项技术，包括城市和公路驾驶。虽然展示的许多原型已被证明在特定情况下可以运行，但人们几乎没有努力更好地了解它们的缺点以及对新领域的可推广性。在自动驾驶期间执行的手动脱离的距离、距离和数量提供了关于自动驾驶系统性能的高层次概念，但如果没有适当的数据标准化、测试位置信息和参与测试的车辆数量，单独的脱离报告并不能完全涵盖系统性能和鲁棒性。因此，在这项研究中，一套完整的指标适用于基准自动驾驶汽车系统在各种情况下，可以扩展与人类驾驶员和其他自动驾驶汽车系统进行比较。这些指标已被用于在微交通和自动邮件递送应用的早期部署期间对加州大学圣地亚哥分校的自动驾驶汽车平台进行基准测试。
2020-09-11 cs.RO
Vehicle Top Tag Assisted Vehicle-Road Cooperative Localization For Autonomous Public Buses
Harbin Cambridge University（哈尔滨剑桥大学）
针对自动驾驶公交车在复杂交叉路口场景下的定位难题，提出车顶标签辅助车路协同定位方法，并给出标签检测与定位的具体解决方案，仿真验证了其有效性且具备广泛扩展潜力。
2025-08-08 cs.RO
Decoupled Sampling Based Planning Method for Multiple Autonomous Vehicles
Linköping University（林雪平大学）
本文提出了一种基于采样的规划算法来控制自动驾驶车辆。提出了一种改进的快速搜索随机树，其中包括K-最近点的定义，并提出了一个两阶段的采样策略来调整RRT在其他执行机动，同时避免碰撞。仿真结果表明了该算法的成功性。
2017-02-11 cs.RO
JKU-ITS Automobile for Research on Autonomous Vehicles
Johannes Kepler University Linz（林茨约翰内斯·开普勒大学）；UAS Technikum Wien（维也纳技术应用科学大学）
在本文中，我们提出了我们的自动驾驶研究的全新平台。所选择的车辆是丰田的RAV4混合动力SUV，配备有外感受传感器，如多层激光雷达，单目摄像头，雷达和GPS;以及本体感受传感器，如编码器和9-DOF IMU。这些传感器通过在Linux 20.04下运行ROS 1的主计算机集成在车辆中。此外，我们安装了一个名为Comma Two的开源ADAS，它运行Openpilot来控制车辆。该平台目前正用于自动驾驶汽车、人与自动驾驶汽车交互、人为因素和能源消耗等领域的研究。
2023-01-16 cs.RO
Receive, Reason, and React: Drive as You Say with Large Language Models in Autonomous Vehicles
Purdue University（普渡大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Virginia（弗吉尼亚大学）
本文提出利用大型语言模型（LLMs）增强自动驾驶决策的框架，通过思维链提示和口头反馈实现个性化驾驶，实验证明其提升决策质量并支持透明、自适应的自动驾驶系统。
2023-10-12 cs.AI cs.HC cs.RO
Simulating Crowds and Autonomous Vehicles
University of Sheffield（谢菲尔德大学）
了解人们如何看待自动驾驶汽车并与之互动，对于指导未来的研究方向非常重要。其中一种帮助理解的方法是通过模拟涉及人和自动驾驶车辆的虚拟环境。我们提出了一个模拟模型，将人和自动驾驶汽车在一个共享的城市空间。该模型能够实时模拟数千人和车辆。这是通过使用GPU硬件，并通过一个新的线性规划求解器优化的GPU上的大量问题。该模型比同等的多核CPU模型快30倍。
2020-08-25 cs.RO
Formally Modeling Autonomous Vehicles in LNT for Simulation and Testing
University of Toronto（多伦多大学）；Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔理工学院）
我们提出了两个行为模型的自动驾驶汽车及其与环境的相互作用。这两个模型都使用CADP工具箱提供的形式化建模语言LNT。本文讨论了我们的自动驾驶汽车模型的建模选择和挑战，并说明了如何将正式验证工具应用于单个组件或整体车辆。
2022-03-18 cs.LO cs.RO
"Curse of rarity" for autonomous vehicles
University of Michigan（密歇根大学）；University of Michigan Transportation Research Institute（密歇根大学交通研究所）；Mcity
在本文中，我们揭示了高维驾驶环境中安全关键事件的罕见性是自动驾驶汽车开发安全挑战的根本原因。我们将其表述为“稀有诅咒”（CoR），因为它普遍存在于各种安全关键系统中，如医疗诊断和航空航天系统。
2022-09-26 cs.RO
A Tutorial on Sim-ATAV: Simulation-based Adversarial Testing Framework for Autonomous Vehicles
Arizona State University（亚利桑那州立大学）
在模拟环境中测试自动驾驶汽车至关重要。Sim-ATAV是一个开源框架，用于在仿真环境中试验不同的测试生成技术以供研究。本文档提供了一个Sim-ATAV的教程，并提供了一个运行示例。
2019-03-26 cs.RO
LiDAR-Based Vehicle Detection and Tracking for Autonomous Racing
Politecnico di Milano（米兰理工大学）
本文提出一种基于LiDAR的车辆检测与跟踪流程，包括快速点云分割、车辆姿态估计和变步长多目标跟踪，应用于自动驾驶赛车，实现在超过275公里/小时速度下的自主超车。
2025-01-24 cs.CV cs.RO
Autonomous Vehicles on the Edge: A Survey on Autonomous Vehicle Racing
University of Pennsylvania（宾夕法尼亚大学）；ETH Zurich（苏黎世联邦理工学院）；California Institute of Technology（加州理工学院）；Technical University of Munich（慕尼黑工业大学）；University of Virginia（弗吉尼亚大学）；Clemson University（克莱姆森大学）
近年来，自动驾驶汽车的日益普及导致了一个新的研究领域的出现：自动驾驶赛车。研究人员正在为高性能赛车开发软件和硬件，这些赛车旨在在车辆极限的边缘自动运行：高速，高加速度，低反应时间，高度不确定，动态和对抗性环境。本文代表了第一个全面的调查，涵盖了在自动驾驶赛车领域的研究。我们只专注于自动驾驶赛车领域，并展示用于感知，规划和控制以及端到端学习领域的算法，方法和途径。此外，随着越来越多的自主赛车比赛，研究人员现在可以使用一系列高性能平台来测试和评估他们的自主算法。该调查全面概述了当前的自动驾驶赛车平台，强调软件-硬件共同进化到当前阶段。最后，基于与该领域领先研究人员的额外讨论，我们总结了开放研究的挑战，这将指导未来的研究人员在这一领域。
2022-02-14 cs.RO cs.SE
Dolphin: a task orchestration language for autonomous vehicle networks
Faculdade de Engenharia da Universidade do Porto（波尔图大学工程学院）；CRACS/INESC-TEC；Faculdade de Ciências da Universidade do Porto（波尔图大学理学院）
我们提出了海豚，可扩展的程序设计语言的自动驾驶汽车网络。Dolphin程序表达了为多个车辆组成定义的任务的协调执行。基于基本的单车辆任务的基本情况，内置的操作符包括支持以多种形式组成任务，例如根据并发，顺序或基于事件的任务流。该语言被实现为Groovy DSL，便于扩展和与外部软件包集成，特别是机器人工具包。本文描述了Dolphin语言，其与自动驾驶车辆的开源工具链的集成，以及使用无人水下航行器（UUV）和无人机（UAV）进行现场测试的结果。
2018-07-26 cs.RO
On Designing Computing Systems for Autonomous Vehicles: a PerceptIn Case Study
PerceptIn Inc.（PerceptIn公司）；South China University of Technology（华南理工大学）
PerceptIn在全球范围内开发和商业化用于微型移动的自动驾驶汽车。本文对PerceptIn的开发和运营经验进行了全面的总结。本文提供了我们产品背后的商业故事，并介绍了我们的车辆计算系统的发展。我们说明了计算系统的设计决策，并显示本地化工作负载卸载到FPGA平台上的优势。
2020-11-12 cs.RO
INTERNEURON: A Middleware with Multi-Network Communication Reliability for Infrastructure Vehicle Cooperative Autonomous Driving
Institute of Computing Technology, CAS（中国科学院计算技术研究所）；University of Delaware（特拉华大学）；University of Chinese Academy of Sciences（中国科学院大学）
结构-车辆协同自动驾驶（IVCAD）是一种新的自动驾驶模式，它依赖于智能道路和自动驾驶车辆之间的协作。与仅车载自动驾驶模式相比，这种模式已被证明更安全，更高效。我们的实际部署数据表明，IVCAD的有效性受到商业通信网络的可靠性和性能的限制。本文正是针对这一问题，并提出了INTERNEURON，一个中间件，以实现智能道路和自动驾驶汽车之间的高通信可靠性，在IVCAD的背景下。具体而言，INTERNEURON根据不同的通信性能和质量需求，动态匹配IVCAD应用程序和底层通信技术。评估结果证实，INTERNEURON减少了超过95%的最后期限违规，显着提高了IVCAD系统的可靠性。
2022-10-28 cs.PL cs.RO
Bringing Diversity to Autonomous Vehicles: An Interpretable Multi-vehicle Decision-making and Planning Framework
Shanghai AI Laboratory（上海人工智能实验室）
随着自动驾驶的发展，自动驾驶车辆（AV）和人类驾驶车辆（HV）在同一道路上行驶变得越来越普遍。现有的单车规划算法很难处理现实世界中复杂的社交互动。通过这些方法做出的决定对人类来说很难理解，增加了撞车的风险，使它们不太可能在实践中应用。此外，开源交通模拟器产生的车辆流过于保守，缺乏行为多样性。我们提出了一个分层的多车辆决策和规划框架，有几个优点。该框架共同为流内的所有车辆做出决策，并通过高频规划模块对动态环境做出迅速反应。决策模块产生可解释的动作序列，这些动作序列可以明确地将自我意图传达给周围的HV。我们还提出了合作因子和轨迹权重集，在社会和个人层面上为交通中的自动驾驶车辆带来多样性。我们提出的框架的优越性进行了验证，通过多个场景的实验，并通过闭环仿真所产生的车辆轨迹中的各种行为。
2023-02-14 cs.MA cs.RO
A Hybrid Control Design for Autonomous Vehicles at Uncontrolled Intersections
Stanford University（斯坦福大学）；UC Berkeley（加州大学伯克利分校）
随着自动驾驶汽车（AV）越来越接近现实，接受的核心要求将是在日常驾驶情况下赢得人类的信任。特别是，自动驾驶汽车和行人之间的互动非常重要，因为每个人在一天中的某个时候都是行人。本文考虑了行人和自动驾驶车辆在中间街区的相互作用，无信号交叉口，行人何时应该穿过，车辆何时以及如何屈服是模糊的。通过通过间隙接受的概念对行人行为进行建模，作者表明，仅具有四种不同模式的混合控制器允许自动驾驶车辆在可能的人行横道进入行为的连续范围内与行人成功互动。通过大量的仿真验证控制器，并与替代POMDP解决方案和实验结果提供了一个虚拟行人的研究车辆。
2019-02-02 cs.RO
Distributed Multi-Target Tracking for Autonomous Vehicle Fleets
Stanford University（斯坦福大学）
我们提出了一个可扩展的分布式目标跟踪算法的基础上交替方向的乘法器，非常适合于车队的自动驾驶汽车通过车辆到车辆的网络进行通信。每个感测车辆与其邻居通信以执行类似卡尔曼滤波器的更新的迭代，使得每个代理的估计近似于集中式最大后验估计，而不需要测量的通信。我们表明，我们的方法优于共识卡尔曼滤波器在恢复集中估计给定一个固定的通信带宽。我们还在高保真城市驾驶模拟器（CARLA）中演示了该算法，其中连接在时变通信网络上的50辆自动驾驶汽车使用车载摄像头跟踪50辆目标车辆的位置和速度。
2020-04-13 cs.RO
Towards Explainability in Modular Autonomous Vehicle Software
University of Pennsylvania（宾夕法尼亚大学）
安全关键的自治系统需要可信和透明的决策过程才能在现实世界中部署。机器学习的进步引入了高性能，但主要是通过黑盒算法。我们专注于讨论自动驾驶汽车（AV）的可解释性。作为一个安全关键系统，自动驾驶汽车提供了利用尖端机器学习技术的独特机会，同时要求决策的透明度。在事后分析中，AV采取的每一个行动的可解释性变得至关重要，其中可能需要进行责任分配。在本文中，我们提供了研究人员如何考虑将可解释性和可解释性纳入独立的自动驾驶汽车模块（包括感知，规划和控制）的设计和优化中的定位。
2022-12-01 cs.RO
Model-Reference Reinforcement Learning for Collision-Free Tracking Control of Autonomous Surface Vehicles
Delft University of Technology（代尔夫特理工大学）
提出了一种新的模型参考强化学习算法，用于不确定自主水面车辆的智能避碰跟踪控制。该控制算法结合了传统的控制方法与强化学习，以提高控制精度和智能。在所提出的控制设计中，标称系统被认为是使用传统的控制方法的基线跟踪控制器的设计。标称系统还定义了在无障碍环境中的不确定自主表面车辆的期望行为。得益于强化学习，整体跟踪控制器能够补偿模型不确定性，并在有障碍物的环境中同时实现碰撞避免。与传统的深度强化学习方法相比，我们提出的基于学习的控制可以提供稳定性保证和更好的样本效率。我们展示了新算法的性能，使用自主表面车辆的例子。
2020-08-17 cs.LG cs.RO cs.SY
Capture Uncertainties in Deep Neural Networks for Safe Operation of Autonomous Driving Vehicles
基于深度神经网络（DNN）的感知和车辆运动的不确定性对安全自动驾驶车辆的开发提出了挑战。在本文中，我们提出了一个安全的运动规划框架，其特点是量化和传播基于DNN的感知不确定性和运动不确定性。这项工作的贡献有两个方面：（1）贝叶斯深度神经网络模型，它检测3D对象并定量捕获DNN的相关随机和认知不确定性;（2）不确定性感知运动规划算法（PU-RRT），它考虑了目标检测和自我车辆运动中的不确定性。通过在内置的CARLA中模拟复杂场景验证了所提出的方法。实验结果表明，所提出的运动规划方案能够有效应对基于DNN的感知和车辆运动的不确定性，提高自主车辆的运行安全性，同时仍能获得理想的效率。
2021-08-11 cs.AI cs.RO cs.SY
Development of a Testbed for Autonomous Vehicles: Integrating MPC Control with Monocular Camera Lane Detection
Islamic University of Technology（伊斯兰理工大学）
本文提出了一种结合MPC控制与单目摄像头车道检测的新方法，用于提高自动驾驶车辆轨迹跟踪的精度和稳定性，并通过仿真验证了控制器的鲁棒性和灵活性。
2025-11-26 cs.RO
Autonomous Racing with AutoRally Vehicles and Differential Games
Georgia Institute of Technology（佐治亚理工学院）
安全的自动驾驶汽车必须能够预测周围的驾驶员并做出反应。以前的控制方法严重依赖于预先计算，并且无法在动态事件实时展开时对其做出反应。在本文中，我们扩展了模型预测路径积分控制（MPPI），利用微分对策理论，并引入最佳响应MPPI（BR-MPPI）的实时多车互动。实验结果使用两个AutoRally平台的赛车格式与BR-MPPI竞争对熟练的人类司机在佐治亚理工学院的自动赛车设施。
2017-07-14 cs.RO
Quantum Artificial Intelligence for Secure Autonomous Vehicle Navigation: An Architectural Proposal
University of Rhode Island（罗德岛大学）；Carleton University（卡尔顿大学）
本文提出一种基于量子人工智能的自动驾驶导航架构，利用量子神经网络融合多模态传感器数据，通过Nav-Q强化学习优化导航策略，并采用后量子密码保障通信安全。
2025-06-19 cs.AI cs.ET cs.RO
Joint Belief and Intent Prediction for Collision Avoidance in Autonomous Vehicles
University of Florida（佛罗里达大学）
本文描述了一种新的方法，允许自主地面车辆预测城市环境中的其他代理的意图。这种方法，被称为认知驾驶框架，模型的意图和潜在的错误信念的障碍车辆。通过将这些变量之间的关系建模为动态贝叶斯网络，可以执行过滤以计算障碍车辆的意图以及其对环境的信念。当在城市环境中导航时，可以利用这种联合知识来规划更安全和更有效的轨迹。仿真结果表明，当自动驾驶车辆在道路交叉口导航时，所提出的方法能够计算障碍车辆的意图，以便采取预防性机动以避免即将发生的碰撞。
2015-03-31 cs.RO
Evaluating Pedestrian Risks in Shared Spaces Through Autonomous Vehicle Experiments on a Fixed Track
Johannes Kepler University Linz（约翰·凯撒大学林茨）；Department Intelligent Transport Systems（智能交通运输系统部门）
本研究通过固定轨道上的自动驾驶汽车实验，探讨共享空间中行人面对警报系统的反应，验证了其他情境的安全措施可适用于有轨电车共享空间，以降低无管制交叉路口风险。
2025-04-19 cs.RO
An Agent-based Modelling Framework for Driving Policy Learning in Connected and Autonomous Vehicles
Institute for Digital Technologies, Loughborough University（拉夫堡大学数字技术研究所）
由于自然世界的复杂性，程序员无法预见所有可能的情况，连接和自主车辆（CAV）将在其操作过程中面临，因此，CAV将需要学习自主决策。由于其周围环境的感知以及与其他车辆和道路基础设施交换的信息，CAV将获得大量有用的数据。虽然已经提出了不同的控制算法的CAV，自动驾驶汽车的连接到其他车辆和基础设施所带来的好处，其影响同策略学习还没有在文献中研究。本文研究了一个数据驱动的策略学习框架，通过基于代理的建模方法。该文件的贡献是双重的。提出了一种动态规划框架，用于在有和没有与相邻车辆的连接的情况下进行车载策略学习。仿真结果表明，虽然CAV可以学习做出自主决策，但车辆对车辆（V2V）的信息通信提高了这种能力。此外，为了克服CAV中传感的局限性，本文提出了一种新的概念，用于基础设施引导的策略学习和与自动驾驶车辆的通信。在基础设施引导的策略学习中，路边基础设施感测并捕获成功的车辆操纵，并从这些时间序列中学习最优策略，并且当车辆接近路边单元时，该策略被传达给CAV。提出了深度模仿学习方法来开发这样一个基础设施引导的策略学习框架。
2018-08-23 cs.MA cs.RO
A Brief Survey on Autonomous Vehicle Possible Attacks, Exploits and Vulnerabilities
Amrita School of Engineering（阿姆里塔工程学院）；Amrita Vishwa Vidyapeetham（阿姆里塔维迪亚佩瑟姆大学）
先进的驾驶辅助系统正在快速发展，所有主要公司都开始投资开发自动驾驶汽车。但其安全性和可靠性仍存在不确定性和争议。想象一下，一辆车被攻击者破坏了，然后他们可以做什么。攻击者可以控制刹车，加速甚至转向，这可能导致灾难性的后果。本文简要概述了对自动驾驶汽车软件和硬件的大多数可能攻击及其潜在影响。
2018-10-03 cs.CV cs.HC cs.RO
