Review of Deep Reinforcement Learning for Autonomous Driving
Middlesex University（密德萨斯大学）
自从深度神经网络复兴以来，强化学习在许多传统游戏中逐渐加强并超越了人类。然而，将这些成就复制到自动驾驶并不容易，因为现实世界中的状态空间非常复杂，动作空间是连续的，需要精细控制。此外，自动驾驶系统还必须保持其功能，无论环境的复杂性如何。深度强化学习域（DRL）已经成为一种鲁棒的学习框架，用于在高维环境中处理具有深度表示学习的复杂策略。这项研究概述了深度强化学习算法（DRL）。它提出了一个命名的自动驾驶DRL技术已被使用，从而讨论了重要的计算问题，在现实环境中评估自动驾驶代理。相反，它涉及类似但不是标准的RL技术，毗邻的领域，如动作仿真，建模模仿，反向强化学习。模拟器在训练代理中的作用得到了解决，验证，检查和现有RL解决方案的鲁棒性的方法也得到了解决。
2023-02-13 cs.RO
Assessing the Criticality of Longitudinal Driving Scenarios using Time Series Data
Esslingen University of Applied Sciences（埃斯林根应用科学大学）
本文提出基于纵向驾驶时间序列数据的安全指标，用于检测自动驾驶中的安全关键场景，以支持算法的测试与验证。
2023-05-29 cs.RO
Optimal Trajectory Generation for Autonomous Vehicles Under Centripetal Acceleration Constraints for In-lane Driving Scenarios
本文提出了一种新的方法，生成最佳轨迹的自动驾驶车辆在车道内行驶的情况下。该方法使用两阶段优化过程来计算轨迹。在第一阶段，优化过程产生一个封闭形式的驾驶指导线与可重构的曲率。在第二阶段，该程序以行驶引导线为输入，输出车辆沿引导线行驶的动态可行、加加速度和时间最优轨迹。该方法对于在弯曲道路上生成轨迹特别有用，其中车辆需要施加频繁的加速和减速以适应向心加速度限制。
2021-12-03 cs.RO
DriveFuzz: Discovering Autonomous Driving Bugs through Driving Quality-Guided Fuzzing
Georgia Institute of Technology（佐治亚理工学院）；University of Texas at Dallas（德克萨斯大学达拉斯分校）；University of Central Oklahoma（中央俄克拉荷马大学）；UNIST（蔚山国立科学技术院）；University of Virginia（弗吉尼亚大学）
自动驾驶已经成为现实;价格合理的半自动驾驶汽车已经在街上，主要汽车供应商正在积极开发全自动驾驶系统，以便在这十年内部署它们。在将产品推出给最终用户之前，测试和确保自动驾驶系统的安全性至关重要，该系统由以复杂方式交织在一起的多个层组成。然而，尽管安全关键错误可能存在于任何层中，甚至跨层，但相对较少关注跨所有层测试整个驱动系统。以前的工作主要集中在各个层的白盒测试和防止对每个层的攻击。在本文中，我们的目标是对自动驾驶系统进行整体测试，这些系统具有完整的集成层。我们不关注单个层，而是关注系统在驾驶环境中不断变化的车辆状态。这使我们能够设计DriveFuzz，这是一个新的系统模糊框架，可以发现潜在的漏洞，而不管它们的位置。DriveFuzz利用高保真驾驶模拟器，根据各种因素自动生成和改变驾驶场景。我们建立了新的驾驶测试神谕的基础上，现实世界的交通规则，以检测安全关键的不当行为，并引导模糊对这样的不当行为，通过驾驶质量指标，指的是车辆的物理状态。DriveFuzz在两个自动驾驶系统（Autoware和CARLA Behavior Agent）的各个层中发现了30个新错误，并在CARLA模拟器中发现了另外三个错误。我们进一步分析了这些漏洞的影响，以及对手如何利用它们作为安全漏洞在现实世界中造成严重事故。
2022-10-25 cs.RO
RoboCar: A Rapidly Deployable Open-Source Platform for Autonomous Driving Research
SnT - Interdisciplinary Centre for Security, Reliability and Trust, University of Luxembourg（卢森堡大学安全、可靠性与信任跨学科研究中心）
本文提出基于 2018 款 KIA Soul EV 的开源自动驾驶研究平台 RoboCar，通过模块化软硬件架构降低改装成本，并经公共道路实测验证其研究价值。
2025-07-25 cs.RO
Towards Defensive Autonomous Driving: Collecting and Probing Driving Demonstrations of Mixed Qualities
Korea University（高丽大学）；Seoul National University（首尔国立大学）；Department of Artificial Intelligence, Korea University（高丽大学人工智能系）；ASRI, Seoul National University（首尔国立大学先进科学研究中心）；Department of Mechanical Engineering, Seoul National University（首尔国立大学机械工程系）；Department of Computer Science and Engineering, Seoul National University（首尔国立大学计算机科学与工程系）
设计或学习自动驾驶政策无疑是一项具有挑战性的任务，因为该政策必须在所有情况下保持其安全性。为了确保自动驾驶的安全性，检测危险情况的能力变得至关重要，这可以被视为分发外（OOD）检测问题。然而，大多数常规数据集仅提供专家驾驶演示，尽管需要一些非专家或不常见的驾驶行为数据来实现有安全保证的自动驾驶平台。为此，我们提出了一个新的数据集，称为R3驾驶数据集，由不同质量的驾驶数据组成。该数据集将异常驾驶行为分为8类，369种不同的详细情况。这些情况包括危险的车道变化和接近碰撞的情况。为了进一步启发如何检测这些异常驾驶行为，我们利用不同的不确定性估计和异常检测方法的建议数据集。从所提出的实验的结果中，可以推断，通过使用不确定性估计和异常检测，所提出的数据集中的大多数异常情况可以被区分。本文的数据集可以从www.example.com下载。
2021-09-18 cs.RO
Human-Like Autonomous Driving on Dense Traffic
University of Surrey（萨里大学）
针对高速自动驾驶中模仿学习的累积误差、泛化差等问题，提出结合混合密度网络行为克隆与GAIL碰撞惩罚的方案，在HighD数据集相关模拟测试中验证了有效性。
2024-03-07 cs.RO
Open-Source Autonomous Driving Software Platforms: Comparison of Autoware and Apollo
Korea Advanced Institute of Science and Technology（韩国科学技术院）
本文针对开源自动驾驶平台Autoware和Apollo，系统比较了其核心模块与中间件性能，为开发者选择合适平台提供了定量与详细的正面参考。
2025-01-31 cs.RO
GLAD: Grounded Layered Autonomous Driving for Complex Service Tasks
SUNY Binghamton（纽约州立大学宾汉姆顿分校）
鉴于自动驾驶汽车目前的点对点导航能力，研究人员正在研究复杂的服务请求，这些请求需要汽车访问多个兴趣点。在本文中，我们开发了一个分层的规划框架，称为GLAD，在自动驾驶城市复杂的服务请求。服务级、行为级和动作级规划分为三层。分层框架在其紧密耦合方面是独一无二的，其中不同的层传达用户偏好、安全估计和用于系统优化的运动成本。GLAD通过从驾驶行为收集的13.8k实例的数据集进行感知学习来视觉接地。GLAD使自动驾驶汽车能够高效、安全地满足复杂的服务请求。从抽象和完整的模拟实验结果表明，我们的系统优于几个有竞争力的基线文献。
2022-10-05 cs.RO
Toward Autonomous Driving by Musculoskeletal Humanoids: A Study of Developed Hardware and Learning-Based Software
The University of Tokyo（东京大学）
本文研究肌肉骨骼人形机器人Musashi在自动驾驶中的应用，利用其冗余传感器和柔性身体结构完成座椅乘坐、踏板踩踏和方向盘操作，并验证了硬件与学习型软件协同实现自动驾驶的可行性。
2024-06-08 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
Reducing Non-IID Effects in Federated Autonomous Driving with Contrastive Divergence Loss
AIOZ；University of Liverpool（利物浦大学）；National Tsing Hua University（国立清华大学）
针对联邦自动驾驶中的非独立同分布问题，提出一种对比散度损失以降低传输模型散度因素的影响，经多场景多方案下的三个数据集实验验证，性能显著优于现有最优方法。
2023-10-08 cs.RO
Ethical Decision-making for Autonomous Driving based on LSTM Trajectory Prediction Network
Southern University of Science and Technology（南方科技大学）
本文提出一种基于带注意力模块的LSTM轨迹预测网络的自动驾驶伦理决策方法，通过量化效用原则并将其纳入数学公式以整合伦理考量，仿真实验证明其能有效做出伦理决策并选择最优轨迹。
2023-08-02 cs.RO
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
CAAD: Computer Architecture for Autonomous Driving
我们描述了自动驾驶中涉及的计算任务，研究了现有的自动驾驶计算平台的实现。为了实现自动驾驶，计算堆栈需要以低成本同时提供高性能、低功耗和低散热。我们讨论了设计计算平台，将满足这些需求的可能方法。
2017-02-07 cs.AR 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
Autonomous Driving Data Chain & Interfaces
自动驾驶技术的最新发展已经证明，地图数据不仅可以用于一般的路由目的，还可以用于增强和补充常见的传感器数据。本文档回顾了自我修复地图数据链每一步最常用的接口和格式。
2021-04-02 cs.AI cs.RO
Autonomous Driving Strategies at Intersections: Scenarios, State-of-the-Art, and Future Outlooks
Beijing Institute of Technology（北京理工大学）；Delft University of Technology（代尔夫特理工大学）
由于交叉口场景的复杂性和动态性，交叉口自动驾驶策略一直是近年来智能交通系统研究的难点和热点。本文简要总结了交叉口自动驾驶策略的发展现状。首先，我们列举和分析了常见的交叉口场景类型，相应的仿真平台，以及相关的数据集。其次，通过回顾以往的研究，我们总结了现有的自动驾驶策略的特点，并将其分为几类。最后指出了现有自动驾驶策略存在的问题，并提出了几点有价值的研究展望。
2021-07-13 cs.AI cs.RO
Implementing a Cloud Platform for Autonomous Driving
自动驾驶云提供支持自动驾驶汽车的基本服务。如今，这些服务包括但不限于新算法部署的分布式仿真测试、离线深度学习模型训练和高清（HD）地图生成。这些服务需要基础设施支持，包括分布式计算、分布式存储以及异构计算。在本文中，我们详细介绍了如何实现统一的自动驾驶云基础设施，以及如何在此基础设施上支持这些服务。
2017-04-10 cs.DC cs.RO
NeuroFlow: Development of lightweight and efficient model integration scheduling strategy for autonomous driving system
Seoul National University（首尔国立大学）
本研究提出名为NeuroFlow的自动驾驶专用系统，通过优化数据流、动态调整深度学习模型影响因素及确定非深度学习算法资源优先级，在实车多场景实验中验证了稳定推理与有效控制能力，为自动驾驶系统发展提供新突破。
2023-12-15 cs.AI cs.RO
Development of Real-time Rendering Technology for High-Precision Models in Autonomous Driving
我们的自动驾驶模拟实验室制作了模拟停车场的高精度3D模型。然而，目前的模型在某些方面仍然存在绘制质量差的问题。在这项工作中，我们开发了一个系统，以提高模型的渲染和评估渲染模型的质量。
2023-03-20 cs.CV cs.RO
Towards Benchmarking and Assessing the Safety and Robustness of Autonomous Driving on Safety-critical Scenarios
Zhongguancun Laboratory（中关村实验室）；Beihang University（北京航空航天大学）；Institute of Data Space, Hefei Comprehensive National Science Center（合肥综合性国家科学中心数据空间研究院）；Institute of Information Science, Beijing Jiaotong University（北京交通大学信息科学研究所）；A*STAR（新加坡科技研究局）
本研究针对自动驾驶在安全关键场景下的安全性与鲁棒性评估不足的问题，明确了安全关键场景定义，开发了涵盖感知与系统级评估的自动驾驶安全测试平台，为行业建立标准化测试框架和降低实际道路部署风险提供技术支持。
2025-04-07 cs.AI cs.RO
Estimating Risk Levels of Driving Scenarios through Analysis of Driving Styles for Autonomous Vehicles
University of Science and Technology of China（中国科学技术大学）；Carnegie Mellon University（卡内基梅隆大学）
为了在道路上安全行驶，自动驾驶汽车不仅需要能够识别前方的物体，还需要能够自动估计前方物体的风险等级。很明显，不同的物体对自动驾驶汽车的危险程度不同。自动驾驶汽车需要一个评估系统来自动确定物体的危险程度。如果系统完全由人来定义，那就太主观，太不完整了。在此基础上，提出了一种基于非参数贝叶斯学习方法的框架--粘性层次狄利克雷过程隐马尔可夫模型（sticky HDP-HMM），并发现了驾驶场景与驾驶风格之间的关系。我们使用自动驾驶汽车的驾驶风格的分析，以反映驾驶场景的车辆的风险水平。在该框架中，首先使用粘性HDP-HMM从数据集中提取驾驶风格，得到不同的聚类，然后提出一个评价体系对聚类的紧急程度进行评价和排序。最后，我们将驾驶场景映射到排名结果，从而得到不同风险级别的驾驶场景聚类。更重要的是，我们发现驾驶场景和驾驶风格之间的关系。实验结果表明，该框架能够对不同紧急程度的驾驶风格进行聚类和排序，发现驾驶场景与驾驶风格之间的关系，得出的结论也符合人们的驾驶常识。此外，该框架可用于自动驾驶汽车，以估计驾驶场景的风险水平，并帮助他们做出准确和安全的决策。
2019-04-23 cs.HC cs.RO
Perspective, Survey and Trends: Public Driving Datasets and Toolsets for Autonomous Driving Virtual Test
Beihang University（北京航空航天大学）
与真实场景下的闭环测试相比，自动驾驶虚拟测试具有早期安全性和可靠性保证的优点，近年来受到越来越多的关注。虽然自动驾驶数据集和工具集的可用性和质量是诊断自动驾驶系统瓶颈和提高系统性能的前提，但由于数据集和工具集的多样性和隐私性，收集和表征它们的视角和质量不仅耗时而且越来越具有挑战性。本文首先提出了自动驾驶测试（SLA）的系统文献综述方法，然后概述了2000年至2020年现有的公开数据集和工具集。通过35个自动驾驶测试工具集和70个测试数据集，给出了相关场景的定量结果、观点和趋势推断以及建议。据我们所知，我们是第一个使用基于SLA的调查方法对数据集和工具集进行这种最新的实证调查。我们的多方面分析和新发现不仅揭示了我们认为对系统设计者，从业者和用户有用的见解，而且还可以促进更多关于数据集和工具集的自动驾驶调查系统调查分析的研究。
2021-06-30 cs.AI cs.RO
Approaching Current Challenges in Developing a Software Stack for Fully Autonomous Driving
Technical University of Munich（慕尼黑工业大学）
自动驾驶是一项复杂的任务。一种常见的方法是通过模块化将驾驶任务分解为单独的子任务。这些子模块通常单独开发和发布。然而，如果这些单独开发的算法必须再次组合以形成全栈自动驾驶软件，这将带来特殊的挑战。根据我们在开发TUM Autonomous Motorsport软件方面的实践经验，我们已经确定并得出了在科学环境中开发自动驾驶软件堆栈的这些挑战。我们不关注个别算法的具体挑战，而是关注在现实世界的测试车辆上部署研究算法时出现的一般困难。为了克服这些挑战，我们采用了在我们的发展方法中行之有效的战略。我们还提供了开源实现，在GitHub上实现这些概念。因此，本文的贡献将简化未来的全栈自动驾驶项目，这对于全面评估各个算法至关重要。
2025-04-17 cs.RO cs.SE
Integrating End-to-End and Modular Driving Approaches for Online Corner Case Detection in Autonomous Driving
Technical University of Munich (TUM)（慕尼黑工业大学）；Institute of Automotive Technology（汽车技术研究所）
本文提出将端到端网络作为辅助系统与模块化驾驶系统并行运行，利用两者输出不一致实现在线极端情况检测，并在真实车辆上验证了该方法对提升自动驾驶安全性的潜力。
2024-09-02 cs.AI cs.RO
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
Optimizing Low-Speed Autonomous Driving: A Reinforcement Learning Approach to Route Stability and Maximum Speed
本文提出一种基于强化学习的低速自动驾驶策略优化方法，在保证安全和路线准确性的前提下，使车辆稳定保持接近最高速度行驶。
2024-12-20 cs.AI cs.RO
Computing Systems for Autonomous Driving: State-of-the-Art and Challenges
Wayne State University（韦恩州立大学）；Anhui University（安徽大学）
最近计算技术的激增（例如，传感器、计算机视觉、机器学习和硬件加速），以及通信机制的广泛部署（例如，DSRC，C-V2X，5G）推动了自动驾驶的发展，自动驾驶通过利用基于多个传感器的感知结果来自动决策和控制车辆。这些自主系统成功的关键是以实时方式做出可靠的决策。然而，由早期部署的自动驾驶车辆引起的事故和死亡不时发生。真实的交通环境对于当前的自动驾驶计算系统来说过于复杂，无法理解和处理。在本文中，我们介绍了最先进的自动驾驶计算系统，包括七个性能指标和九个关键技术，其次是实现自动驾驶的十二个挑战。我们希望这篇论文能引起计算机和汽车界的关注，并激发更多的研究。
2020-12-07 cs.DC 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
A Collaborative Multi-Modality Interaction for VLA-based End-to-End Autonomous Driving
National University of Singapore (NUS)（新加坡国立大学）；Hunan University（湖南大学）；The University of Western Australia (UWA)（西澳大学）
本文针对现有VLA自动驾驶模型决策不可靠、多模态交互不足的问题，提出含三类核心组件的多模态交互与多轨迹规划系统，实验显示其在安全推理与场景感知上优于现有系统。
2026-08-24 cs.CV cs.RO
An Independent Study of Reinforcement Learning and Autonomous Driving
University of Michigan（密歇根大学）
强化学习已经成为近十年来最热门的研究课题之一。它已经在机器人操作、自动驾驶、路径规划、计算机游戏等各个领域得到了应用。我们在这个项目的过程中完成了三项任务。首先，我们研究了表格环境下的Q-学习算法，并将其成功地应用于OpenAi Gym环境Taxi。其次，我们理解并实现了Cart-Pole环境下的深度Q网络算法。第三，我们还研究了强化学习在自动驾驶中的应用，以及与安全检查约束（安全控制器）的结合。我们使用高速公路健身房环境训练了一个粗糙的自动驾驶智能体，并探讨了奖励函数等各种环境配置对智能体训练性能的影响。
2021-08-20 cs.AI cs.RO
PKRD-CoT: A Unified Chain-of-thought Prompting for Multi-Modal Large Language Models in Autonomous Driving
School of Information Technology, Monash University Malaysia（马来西亚莫纳什大学信息技术学院）
本文提出基于感知、知识、推理与决策的 PKRD-CoT 零样本思维链提示框架，使 GPT-4.0 等多模态大语言模型无需训练即可提升自动驾驶实时决策表现。
2024-12-02 cs.AI cs.RO
Traffic-Aware Autonomous Driving with Differentiable Traffic Simulation
University of Maryland at College Park（马里兰大学帕克分校）
提出交通感知自动驾驶方法TrAAD，通过引入可微交通仿真信息指导模仿学习的速度控制监督，使自动驾驶车辆学会优化交通流并降低整体能耗。
2023-04-07 cs.MA cs.RO
SuperDriverAI: Towards Design and Implementation for End-to-End Learning-based Autonomous Driving
National Institute of Informatics（国立信息学研究所）；TURING, Inc.（图灵公司）
本文提出端到端自动驾驶系统SuperDriver AI，利用DNN学习人类驾驶策略并保证安全，引入slit模型和视觉注意力模块提升鲁棒性与可解释性，并在东京真实场景中验证了其有效性。
2023-05-14 cs.AI cs.RO
Hybrid Video Anomaly Detection for Anomalous Scenarios in Autonomous Driving
Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）；FZI Research Center for Information Technology（弗劳恩霍夫信息与通信技术研究中心）
针对自动驾驶场景，提出HF$^2$-VAD$_{AD}$方法，从车辆自视角学习正常性表示，在罕见关键场景中实现逐像素异常检测。
2025-04-28 cs.CV cs.RO
Self-Driving like a Human driver instead of a Robocar: Personalized comfortable driving experience for autonomous vehicles
Seamless Transportation Lab (STL)（无缝交通实验室）；Yonsei University（延世大学）
为了给自动驾驶汽车用户提供个性化的舒适驾驶体验，提出了一种基于个人驾驶偏好的自动驾驶汽车集成控制系统。我们提出了一个乘客的偏好度量（OPM），这是定义一个首选的横向和纵向加速度区域的最大允许加加速度为用户。此外，我们提出了一个车辆控制器的控制参数的基础上，使集成的横向和纵向控制，通过自主车辆的偏好感知操纵。该系统不仅提供了乘员驾驶偏好的标准，还提供了个性化的自动驾驶风格，就像人类驾驶员而不是Robocar一样。仿真和实验结果表明，该系统可以像人类驾驶员一样操纵自动驾驶汽车，通过跟踪指定的标准，允许的加速度和加加速度。
2022-11-18 cs.RO cs.SY eess.SY
High-Definition Map Generation Technologies For Autonomous Driving
Ontario Tech University（安大略理工大学）
在过去的几年里，自动驾驶一直是最受欢迎和最具挑战性的话题之一。在实现完全自动驾驶的道路上，研究人员利用了各种传感器，如LiDAR，相机，惯性测量单元（IMU）和GPS，并开发了用于自动驾驶应用的智能算法，如目标检测，对象分割，避障和路径规划。近年来，高清（HD）地图引起了人们的广泛关注。由于高清地图在定位方面的高精度和信息水平，它已立即成为自动驾驶的关键组成部分之一。从百度Apollo、英伟达、TomTom等大型组织到个人研究人员，研究人员已经为自动驾驶创建了不同场景和目的的高清地图。有必要回顾一下高清地图生成的最新方法。本文回顾了最近的高清地图生成技术，利用2D和3D地图生成。本文介绍了高清地图的概念及其在自动驾驶中的实用性，并详细概述了高清地图生成技术。我们还将讨论当前高清地图生成技术的局限性，以激励未来的研究。
2022-06-24 cs.CV cs.RO
CRLLK: Constrained Reinforcement Learning for Lane Keeping in Autonomous Driving
Nanyang Technological University（南洋理工大学）；Indian Institute of Technological（印度技术学院）；Indian Institute of Technology（印度理工学院）
提出将车道保持建模为约束强化学习，自动学习权重系数，免去场景特定调整，实验证明其优于传统RL并具有实际应用价值。
2025-03-28 cs.LG cs.RO
The Importance of Autonomous Driving Using 5G Technology
Northwestern University（西北大学）
自动驾驶的三个关键是传感器、数据集成和100%安全决策。过去，由于网络的高延迟和低可靠性，许多决策必须在车辆中本地做出。这对车辆本身提出了很高的要求，导致自动驾驶的商业化进程缓慢。随着5G的到来，这些情况将得到极大改善。在本文中，我们介绍了5G技术为自动驾驶汽车带来的改进，特别是在延迟和可靠性方面。本文分析了5G可以改进自动驾驶汽车和智能交通系统（ITS）的具体领域，并展望了5G技术在未来的应用。
2021-08-20 cs.RO eess.SP
MultiNet: Multi-Modal Multi-Task Learning for Autonomous Driving
Westview High School（韦斯特维尤高中）；Berkeley DeepDrive Center（伯克利深度驾驶中心）
自动驾驶需要在不同的行为模式下操作，从车道跟随和交叉路口到转弯和停车。然而，大多数现有的自动驾驶深度学习方法在训练策略中没有考虑行为模式。本文描述了一种通过使用多模态多任务学习在单个深度神经网络中学习多个不同行为模式的技术。我们研究了这种方法的有效性，表示为MultiNet，使用自动驾驶模型汽车在非结构化环境中驾驶，如人行道和未铺设的道路。使用来自驾驶我们的1/10比例模型车队超过100小时的标记数据，我们训练了不同的神经网络来预测车辆在不同行为模式下的转向角和驾驶速度。我们表明，在每种情况下，MultiNet网络都优于在单个模式上训练的网络，同时使用参数总数的一小部分。
2019-01-14 cs.LG cs.RO
A Framework for a Capability-driven Evaluation of Scenario Understanding for Multimodal Large Language Models in Autonomous Driving
Dr. Ing. h.c. F. Porsche AG（保时捷股份公司）；Forschungszentrum Informatik（弗劳恩霍夫信息技术研究中心）；Hochschule Esslingen（埃斯林根应用技术大学）；University of Michigan（密歇根大学）；Voxel51；Karlsruher Institut für Technologie（卡尔斯鲁厄理工学院）
本文提出能力驱动的MLLMs自动驾驶场景理解评估框架，从语义、空间、时间、物理四维度及情境层、模态、下游任务组织评估，并通过两个交通场景验证其适用性。
2025-03-14 cs.CV cs.RO
Energy-Efficient Adaptive System Reconfiguration for Dynamic Deadlines in Autonomous Driving
University of California, Irvine（加州大学欧文分校）；Kookmin University（国民大学）
自动驾驶应用日益增长的计算需求使得能源优化对于降低电池容量和车辆重量至关重要。当前的能量最优化方法通常以具有静态期限的传统实时系统为目标，导致保守的能量节省，由于车辆的速度和驾驶环境的变化引起的动态期限，所述保守的能量节省不能利用额外的能量优化。我们提出了一种自适应系统优化和重新配置的方法，动态适应调度参数和处理器的速度，以满足动态的最后期限，同时消耗尽可能少的能量。我们对博世自动驾驶任务集和真实驾驶数据的实验结果显示，与传统静态能量最优化方法相比，在典型动态驾驶场景下，平均能耗降低高达46.4%，这表明通过利用动态截止时间来实现动态能量优化的巨大潜力。
2021-06-03 cs.RO math.OC
Exploring the Causality of End-to-End Autonomous Driving
Baidu Inc.（百度公司）
本文提出一种系统性方法，通过控制变量、反事实干预和统计分析，探索端到端自动驾驶的因果性，并开发了工具和基线，在CARLA中验证，将黑箱变为白箱。
2024-07-19 cs.CV cs.RO
Driving in Corner Case: A Real-World Adversarial Closed-Loop Evaluation Platform for End-to-End Autonomous Driving
School of Automotive Studies, Tongji University（同济大学汽车学院）；ZERON
本文提出一个现实对抗闭环评估平台，用于生成边缘情况以评估端到端自动驾驶系统，通过真实场景图像生成与对抗交通策略结合，验证模型在极端情况下的性能。
2026-04-19 cs.CV cs.RO
DME-Driver: Integrating Human Decision Logic and 3D Scene Perception in Autonomous Driving
University of Macau（澳门大学）
本文提出DME-Driver自动驾驶系统，结合大型视觉语言模型作为逻辑决策器与3D场景感知模型作为控制信号生成器，并构建新数据集以实现高精度且可解释的规划。
2024-01-08 cs.CV cs.RO
Is it Safe to Drive? An Overview of Factors, Challenges, and Datasets for Driveability Assessment in Autonomous Driving
LG Silicon Valley Lab（LG硅谷实验室）
随着学习算法和硬件开发的最新进展，自动驾驶汽车在良好的驾驶条件下在结构化环境中运行时显示出了希望。然而，对于复杂、混乱和不可见的高度不确定性环境，自动驾驶系统仍然经常表现出错误或意外的行为，这可能导致灾难性的后果。自动驾驶车辆应该能够适应驾驶条件;虽然这可以通过多条路线来实现，但作为第一步，能够以某种量化的形式表征驾驶性能将是有益的。为此，本文旨在建立一个框架，调查不同的因素，可以影响驾驶性能。此外，使自动驾驶系统适应任何驾驶条件的主要机制之一是能够从代表性场景中学习和概括。目前这样做的机器学习算法主要以监督的方式学习，因此需要足够的数据来进行鲁棒和有效的学习。因此，我们还对45个公共驾驶数据集进行了比较概述，这些数据集支持学习，并在https://sites.google.com/view/driveability-survey-datasets上发布了此数据集索引。具体来说，我们根据用例对数据集进行分类，并突出显示捕获复杂和危险驾驶条件的数据集，这些数据集可以更好地用于训练鲁棒的驾驶模型。此外，通过讨论现有公共数据集未涵盖的驾驶场景以及需要更多调查和数据采集的驾驶性能因素，本文旨在鼓励有针对性的数据集收集和提出新的驾驶性能指标，以增强自动驾驶汽车在恶劣环境中的鲁棒性。
2018-11-27 cs.AI cs.RO
Distributed Simulation Platform for Autonomous Driving
South China University of Technology（华南理工大学）；PerceptIn；Baidu USA（百度美国）
自动驾驶汽车的安全性和可靠性是开发自动驾驶汽车的首要要求。这些要求通过大量的功能和性能测试来保证。在真实车辆上进行这些测试是非常昂贵和耗时的，因此必须开发一个仿真平台来执行这些任务。对于模拟，我们可以利用机器人操作系统（ROS）进行数据回放，以测试新开发的算法。然而，由于大量的仿真数据，在单机上执行仿真是不实际的。因此，一个高性能的分布式仿真平台是自动驾驶开发的关键。在本文中，我们提出了我们的经验，建立一个生产分布式自动驾驶仿真平台。该平台基于Spark分布式框架构建，用于分布式计算管理，基于ROS构建，用于数据回放仿真。
2017-05-31 cs.DC cs.RO
A Reinforcement Learning Benchmark for Autonomous Driving in Intersection Scenarios
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）
近年来，城市交叉口控制成为一个新兴的研究课题.在这种情况下，自动驾驶汽车面临着复杂的情况，因为它必须在遵守交通规则的同时及时处理与社会车辆的交互。通常，自动驾驶车辆应该在追求更高效率的同时避免碰撞。现有的工作未能提供一个框架，强调场景的完整性，同时能够部署和测试强化学习（RL）方法。具体来说，我们提出了一个基准，在复杂的交叉路口场景中，这是所谓的RL-CIS的训练和测试基于RL的自动驾驶代理。然后，部署了一组由各种算法组成的基线。测试基准和基线是为交叉口场景下的自动驾驶RL研究提供一个公平、全面的训练和测试平台，推动基于RL的交叉口自动驾驶控制方法的发展。我们提出的框架的代码可以在https://github.com/liuyuqi123/ComplexUrbanScenarios上找到。
2021-09-22 cs.AI cs.RO
Energy-Efficient Autonomous Driving Using Cognitive Driver Behavioral Models and Reinforcement Learning
University of Michigan（密歇根大学）
预计自动驾驶技术不仅可以提高机动性和道路安全性，还可以带来能源效率方面的好处。在可预见的未来，自动驾驶汽车（AV）将在与人类驾驶汽车共享的道路上运行。为了保持安全性和活力，同时最大限度地减少能源消耗，自动驾驶规划和决策过程应该考虑到自主自我车辆与周围人类驾驶车辆之间的相互作用。在本章中，我们描述了一个框架，通过利用基于认知层次理论和强化学习的人类驾驶员行为建模，在共享道路上开发节能自动驾驶政策。
2021-11-27 cs.RO cs.SY eess.SY
Risk-Aware Reward Shaping of Reinforcement Learning Agents for Autonomous Driving
Eindhoven University of Technology（埃因霍温理工大学）；Northwestern Polytechnical University（西北工业大学）
针对自动驾驶强化学习奖励函数难确定、传统方法缺风险感知的问题，提出风险感知奖励塑形方法，新增鼓励探索、惩罚风险行为的奖励项，仿真验证对多类智能体有效，且PPO方法配合效果最佳。
2023-08-25 cs.AI cs.RO
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
Advancing Autonomous Driving Perception: Analysis of Sensor Fusion and Computer Vision Techniques
Drexel University（德雷塞尔大学）
本报告通过分析基于视觉的系统与感知指标的最新进展，探讨了利用基于深度的感知和计算机视觉技术增强轮式自动驾驶机器人未知2D地图导航能力的方法，旨在提升自动驾驶感知系统的安全性与性能。
2024-11-15 cs.CV cs.RO
SubjectDrive: Scaling Generative Data in Autonomous Driving via Subject Control
MEGVII（旷视科技）
本文提出 SubjectDrive 模型，通过主体控制机制利用多样化外部数据源提升生成数据的多样性，从而有效扩展自动驾驶训练数据生产并持续改进下游感知模型性能。
2024-12-26 cs.CV cs.RO
