Cooperative and Interaction-aware Driver Model for Lane Change Maneuver
针对无信号规则的换道交互问题，提出基于真实驾驶数据、以MDP和随机动态规划实现的协作式交互感知决策算法，并验证其安全、舒适且可适应不同驾驶风格。
2024-03-04 cs.SY eess.SY
Rule-Based Safety-Critical Control Design using Control Barrier Functions with Application to Autonomous Lane Change
本文提出了一种新的控制设计，以保证车辆在复杂的交通环境中变道操纵的安全性。所提出的方法使用有限状态机（FSM），其中基于二次规划的优化问题，使用控制李雅普诺夫函数和控制障碍函数（CLF-CBF-QP）是用来计算系统的最优输入，通过基于规则的控制策略。该系统能够根据驾驶员的指令和交通环境自动切换不同的状态，使本车能够找到安全的时机进行无碰撞的变道操纵。通过使用凸二次规划，该控制器可以保证系统在高更新频率下的安全性。一组预先设计的典型的车道变化的情况下，以及随机生成的驾驶场景进行了模拟，以显示我们的控制器的性能。
2021-03-23 cs.SY eess.SY
Introducing the transitional autonomous vehicle lane-changing dataset: Empirical Experiments
本研究介绍了NC-tALC数据集，用于研究过渡自主车辆在强制变道场景中的决策与交互动态，通过高精度轨迹数据支持实证分析。
2026-03-05 cs.RO cs.SY eess.SY
Robust Optimal Lane-changing Control for Connected Autonomous Vehicles in Mixed Traffic
针对混合交通中CAV换道受HDV干扰的问题，提出结合CAV协作、双层优化与IBR方法、CBF的鲁棒最优换道控制策略，仿真验证了其在成本、安全和交通干扰方面的有效性。
2024-03-15 cs.SY eess.SY
Predictive Lane-Change and Routing Coordination in Bus-Priority Mixed Traffic Corridors
Cornell University（康奈尔大学）
本文提出一种基于路段的网络协调框架，通过预测公交保护机制和效用驱动的车道变更策略，优化混合交通走廊中车辆的车道变更与路径决策，提高公交优先级并减少拥堵。
2026-03-02 cs.SY eess.SY
Lane-Change in Dense Traffic with Model Predictive Control and Neural Networks
本文针对密集交通中车间距狭窄的换道难题，提出融合MPC与GAN的两阶段控制框架，并引入自适应安全边界和卡尔曼滤波，仿真验证了其有效性、舒适性与安全性。
2024-03-28 cs.SY eess.SY
Controlled Experiments on Lane Changing by Transitional Autonomous Vehicle: Dataset and Behavioral Insights
North Carolina State University（北卡罗来纳州立大学）
本研究通过公共道路控制实验构建了NC-tALC数据集，刻画过渡自动驾驶车辆的强制变道行为，揭示其变道过程中的车距演变与碰撞风险规律，为相关评估与验证提供实证基准。
2026-08-07 cs.RO cs.SY eess.SY
Cooperative Lane Changing in Mixed Traffic can be Robust to Human Driver Behavior
我们推导出时间和能量最优的控制策略，连接自动驾驶汽车（CAV）完成车道变换机动混合交通。CAV与人驾驶车辆（HDV）之间的相互作用要求设计CAV对其相邻HDV的动作的最佳可能响应。使用具有HDV的适当行为模型的双层优化设置来制定这种相互作用。然后，迭代最佳对策（IBR）的方法来确定纳什均衡。然而，我们也表明，当一个共同的和简单的检测条件适用，最佳的换道策略实际上是独立的HDV的行为与CAV改变车道的合作与另一个CAV在目标车道，总是合并在它之前。因此，依赖于CAV和HDV之间的相互作用，在这种情况下，可以消除。仿真结果表明，我们的控制器的有效性，在成本，安全保证，和中断的交通流量时，不可控的HDVs存在。
2023-03-29 cs.SY eess.SY
Shared Control for Vehicle Lane-Changing with Uncertain Driver Behaviors
针对驾驶员行为不确定性导致的换道交通扰动与串稳定性下降问题，提出含标称稳定控制器和最小干预控制器的人机共享换道控制框架，经多数据集验证可在保留驾驶员权限的同时平衡稳定性、效率与舒适性。
2025-10-29 cs.SY eess.SY
Maximizing Safety and Efficiency for Cooperative Lane-Changing: A Minimally Disruptive Approach
本文针对混合交通协同换道提出基于OCBF控制器的最小干扰方法，结合固定时间收敛和对偶线性规划处理最坏情况扰动，实现安全、最优且鲁棒的换道决策。
2023-05-30 cs.SY eess.SY
In-depth Analysis of Durations of Discretionary Lane Changes on Freeway Under Varying Traffic Conditions
基于丰富的数据集，研究高速公路自主换道持续时间的特征。基于车辆类型、LC方向和导航速度对LC持续时间进行了综合分析。结果表明，重型车辆完成LC机动所需的时间较长。LC方向显著影响客车的持续时间，但对重型车辆没有显著影响。航行速度对LC持续时间有重要影响。然而，根据车辆类型和LC方向，它具有不同的影响。进一步分析不同阶段的LC持续时间表明，乘用车驾驶员在向不同方向变道时可能会使用不同的策略来执行LC。然而，两个方向的重型车辆司机占用目标车道的时间较少。研究结果有助于理解LC过程的机理以及LC对交通流的影响。
2022-03-12 cs.SY eess.SY
A Probabilistic Approach to Driver Assistance for Delay Reduction at Congested Highway Lane Drops
本文提出了一种基于概率预测模型的车载预警系统，该系统可以为车辆提供关于即将到来的车道下降何时变道的建议。使用几个与交通和驾驶员相关的参数，例如车辆间车头时距的分布，预测模型计算利用一个或多个车道变化成功到达道路上的目标位置的可能性。当接近车道下降时，车载系统将当前车辆状况投射到未来，并使用模型来持续估计在到达车道尽头之前改变车道的成功概率，并在该概率下降到特定阈值以下时建议驾驶员或自动驾驶车辆开始车道改变操纵。在一个模拟案例研究中，所提出的系统被用在一段I-81州际公路上，两个车道下降-从四车道过渡到两车道-建议车辆避免车道下降。结果表明，该系统可以减少平均延误高达50%，最大延误高达33%，这取决于交通流量和车辆的比例配备了预警系统。
2021-01-17 cs.SY eess.SY
A Lane Change Assistance System Based on Prediction of Driver Intention
本研究提出一种基于驾驶员换道意图预测的辅助系统，通过识别左/右换道、车道保持意图并结合视听界面预警，降低换道碰撞风险，同时指出需结合其他车辆行为的态势分析优化预警。
2024-09-02 cs.HC cs.SY eess.SY
Negotiating Highway Interchange Traffic with a Decentralized Instability-Driven CBF-based Algorithm
Southwest Research Institute（西南研究院）
本文提出了一种去中心化不稳定性驱动的CBF算法，用于高效处理高速公路交汇车道的换道问题，通过控制器调节和不稳定性速度优化车辆群的性能。
2025-11-30 cs.SY eess.SY
Simulation-based Analysis Of Highway Trajectory Planning Using High-Order Polynomial For Highly Automated Driving Function
Hochschule Furtwangen University（富特旺根应用科学大学）；Kempten University of Applied Sciences（肯普滕应用科学大学）；Ulm University（乌尔姆大学）
本文针对高度自动驾驶功能，提出基于高阶多项式的安全无碰撞高速公路车道变换轨迹规划方法，通过行为规划模块生成轨迹，并经MATLAB仿真验证，显著提升了车道变换的安全性和稳定性。
2025-03-06 cs.RO cs.SY eess.SY
Developments in Modern GNSS and Its Impact on Autonomous Vehicle Architectures
Swift Navigation（Swift Navigation公司）；Xona Space Systems（Xona空间系统公司）
本文概述了现代全球导航卫星系统（GNSS）的一些最新发展，并研究了对自动驾驶架构的可能影响。现代全球导航卫星系统目前由四个独立的全球卫星星座组成，以多种民用频率提供现代化信号。新的地面监测基础设施、数学模型和互联网服务可以在大陆范围内纠正GNSS信号中的错误。大众市场汽车级接收器芯片组以低成本、尺寸、重量和功耗（CSWaP）提供。其结果是，GNSS在2020年提供优于车道级的精确定位，在95%以上的可用性下具有99.99999%的完整性保证。在自动驾驶方面，SAE 2级部分自动驾驶汽车现在可供消费者使用，能够自动遵循车道并在人类监督下执行基本操作。此外，SAE 4级无人驾驶汽车的首批试点项目正在公共道路上进行演示。然而，自动驾驶并不是一个可以解决的问题。全球导航卫星系统可以帮助。具体而言，将高完整性GNSS车道确定纳入基于视觉的架构可以解锁车道级机动并提供监督以保证安全。将精确的GNSS集成到基于LiDAR的系统中可以解锁鲁棒性和额外的安全性和实用性。最后，GNSS通过一致的定时和参考框架为未来的V2X场景提供互操作性。
2020-04-19 cs.RO cs.SY eess.SY
Reinforcement Learning for Freeway Lane-Change Regulation via Connected Vehicles
Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
针对低自动驾驶渗透率下车道变更控制适用性受限的问题，提出基于多智能体强化学习的网联车辆高速公路车道变更调控框架，可提升交通效率并保障安全。
2026-08-11 cs.SY eess.SY
Safety-Critical Lane-Change Control for CAV Platoons in Mixed Autonomy Traffic Using Control Barrier Functions
针对CAV车队在变道场景下的安全问题，提出一种基于CBFs和CLFs的双层安全关键控制方法，实现纵向与横向安全控制，并在四个场景仿真中验证了有效性。
2023-02-01 cs.SY eess.SY
A Stackelberg Game Theoretic Model of Lane-Merging
强制换道并线是交通研究中的一个重要课题。即使安全完成，合并可能会干扰主线交通，降低道路的效率或容量。在本文中，我们考虑了一个Stackelberg博弈论的驾驶员行为模型，其中所谓的效用或收益反映了合并车辆的侵略性，因为它涉及的决定合并的情况下，或加速，减速之前的实际换道机动。合并车辆与主线交通的相互作用也被认为是相应的车辆的侵略性的组合导致纵向和横向干扰的主线流量以及随后减少的道路吞吐量。本研究以半定量的形式表明，这种影响取决于合并和主线车辆的侵略性水平，从而导致该模型在交通流分析和自动驾驶中的潜在用途。
2020-03-22 cs.GT cs.SY eess.SY
Distributed Maneuver Planning with Connected and Automated Vehicles for Boosting Traffic Efficiency
互联和自动驾驶车辆（CAV）有可能提高交通吞吐量，并实现更有效地利用现有道路基础设施。它们还具有通过交通运动协调来减少能源消耗的潜力，即使在与其他人类驾驶车辆混合交通时也是如此。实现这些潜力的关键是协调的控制方案，可以在一个分布式的方式与CAV实施。在本文中，我们提出了一个分布式预测控制框架，其特点是一个二维机动规划器，在不同的渗透水平的混合交通中运行的连接车辆之间的显式协调约束。该框架包括一个分布式实现的参考速度分配器，估计本地交通速度从车载测量和通信信息。我们提出了一个广泛的评估所提出的框架在交通微观模拟在各种CAV渗透从交通流量，能源使用和车道利用的角度来看。结果进行了比较，没有CAV的基线方案，以及，一个基准的一维规划。
2022-12-15 cs.SY eess.SY
Learning Generalizable Multi-Lane Mixed-Autonomy Behaviors in Single Lane Representations of Traffic
强化学习技术可以为未来自动驾驶系统的期望行为提供实质性的见解。通过优化交通的社会度量，例如增加的吞吐量和减少的能量消耗，这样的方法可以导出机动，如果被甚至一小部分车辆采用，则可以显著改善所有涉及的车辆的交通状态。然而，这些方法在实践中受到设计高效和准确的流量模型的困难以及与优化数十个交互代理的行为相关的挑战的阻碍。为了应对这些挑战，本文处理的问题，学习概括的交通控制策略，在简单的表示车辆驾驶动态。特别是，我们期待混合自治环路的不稳定性，导致拥堵的形成。在这个问题中，我们设计了一个课程学习范式，利用网络的自然可扩展性，有效地学习行为，减少长期的拥塞。接下来，我们研究了模型车道变换的政策的可转移性的影响。我们的研究结果表明，在更复杂的系统中引入甚至近似匹配趋势的车道变换行为可以显着提高后续学习模型的泛化能力，以更准确的多车道交通模型。
2021-12-31 cs.MA cs.SY eess.SY
Integrated Automated Car Following and Lane-changing control based on a Parametrized Deep Q-network with Hybrid Action Space
addressline= Zachry Department of Civil \& Environmental Engineering, Texas A \& M University, College Station, TX 77843, USA
研究针对联网自动驾驶车辆，提出基于参数化深度Q网络的集成控制框架，通过混合动作空间建模，将变道和跟车控制集成，经训练最大化奖励，确保安全与效率，实验显示其优于分离控制方法。
2026-07-09 cs.SY eess.SY
Safe and Efficient Lane-Changing for Autonomous Vehicles: An Improved Double Quintic Polynomial Approach with Time-to-Collision Evaluation
Beijing University of Aeronautics and Astronautics（北京航空航天大学）；Changsha University of Science and Technology（长沙理工大学）；University Malaysia Perlis（马来西亚玻璃市大学）；University of Glasgow（格拉斯哥大学）；Taiyuan Normal University（太原师范学院）
针对自动驾驶车辆换道时与人类驾驶车辆交互的安全挑战，提出嵌入解析TTC惩罚项的改进双五次多项式方法，无需事后验证即可实时生成安全轨迹，仿真验证其在多场景下的安全、高效与舒适性，为实际应用提供稳定方案。
2025-08-30 cs.RO cs.SY eess.SY
Investigating Lane-Free Traffic with a Dynamic Driving Simulator
Technical University of Munich（慕尼黑工业大学）
本文提出面向无车道交通（LFT）的驾驶模拟概念框架与场景矩阵，以研究人类行为、感知安全性及对LFT的接受度。
2023-11-05 cs.RO cs.SY eess.SY
A Game Theoretic Macroscopic Model of Bypassing at Traffic Diverges with Applications to Mixed Autonomy Networks
University of California, Berkeley（加州大学伯克利分校）
本文提出一个宏观模型预测交通分歧点的绕行车辆数量，考虑车辆自私行为，建立Wardrop均衡模型，证明均衡存在性和唯一性，并展示模型在混合自主网络中的应用。
2018-09-08 cs.GT cs.SY eess.SY
Algorithmic Approaches to Enhance Safety in Autonomous Vehicles: Minimizing Lane Changes and Merging
本文提出基于状态机的MLCA算法以减少自动驾驶车辆不必要的变道，SUMO仿真显示其能显著降低变道与碰撞次数，提升交通效率与安全性，并具备大规模部署潜力。
2025-07-16 cs.SY eess.SY
Exploring the impact of automated vehicles lane-changing behavior on urban network efficiency
该研究利用SUMO仿真分离AV自动横向换道行为，发现其在德国汉诺威城市路网中会随渗透率提升轻微但显著地降低通行效率。
2023-09-26 cs.SY eess.SY
Intention-Based Lane Changing and Lane Keeping Haptic Guidance Steering System
Institute of Industrial Science, the University of Tokyo（东京大学工业科学研究所）
触觉引导在共享转向辅助系统中的应用，由于其在车辆控制中的相互通信能力，引起了智能车辆领域的广泛关注。通过在方向盘上施加连续扭矩，驾驶员和支撑系统可以共享车辆的横向控制。然而，目前的触觉引导转向系统在辅助变道方面存在一些不足。本研究探索一种新的转向交互方法，包括基于意图的触觉共享转向系统的设计和评价。这种基于意图的方法可以通过检测驾驶员车道变换意图来支持车道保持和车道变换辅助。通过使用基于深度学习的方法对驾驶员关于车道交叉的决策时机进行建模，提出了用于实现转向控制系统的自适应增益控制方法。提出了一种意图一致性方法，用于检测驾驶员和系统是否朝着相同的目标轨迹运动，并准确地捕捉驾驶员意图。通过驾驶模拟器实验对系统性能进行了测试。参与者被要求进行六次有辅助方法的试验和一次没有辅助的试验。结果表明，该支持系统降低了车道保持任务中的车道偏离风险，能够支持快速稳定的换道机动。
2020-11-15 cs.AI cs.HC cs.LG
Decentralised Cooperative Collision Avoidance with Reference-Free Model Predictive Control and Desired Versus Planned Trajectories
Applus IDIADA（阿普萨研究院）
本文提出了一种去中心化协作避障方法，通过期望与计划轨迹的区分，使车辆在无需领导者和显式协议的情况下实现协同和鲁棒行为，有效处理多种碰撞场景。
2019-04-15 cs.SY eess.SY
Charging While Driving Lanes: A Boon to Electric Vehicle Owners or a Disruption to Traffic Flow
研究探讨了行驶中充电车道对交通流和排放的影响，发现其虽促进电动车普及但可能降低交通效率，需谨慎设计与政策考量。
2025-04-19 cs.ET cs.SY eess.SY
Emergent Autonomous Drifting for Collision Avoidance in Real-World Winter Driving Scenarios
Toyota Research Institute（丰田研究院）
研究现实世界冬季驾驶中漂移对安全的作用，提出基于碰撞死亡数据的能漂移的非线性模型预测控制（MPC）系统，经实验与比较，该系统能在多种速度下降低中位车道误差，在危险场景中表现更优。
2026-07-23 cs.RO cs.SY eess.SY
Analysis of Truck Driver Behavior to Design Different Lane Change Styles in Automated Driving
Institute of Industrial Science, The University of Tokyo（东京大学工业科学研究所）；Hino Motors, Ltd.（日野汽车公司）
车道变换是一项非常苛刻的驾驶任务，许多交通事故都是由错误的操纵引起的。自动变道系统有可能减少驾驶员的工作量并提高驾驶安全性。一个挑战是如何提高驾驶员对自动化系统的接受度。从人为因素的角度来看，具有不同风格的自动化系统将提高用户的接受度，因为驾驶员可以根据不同的驾驶情况调整风格。通过对卡车驾驶员行为的分析和建模，提出了一种自动驾驶中不同换道方式的设计方法。在卡车驾驶模拟器上进行了12名驾驶员的实验，以识别驾驶员模型参数，并将三种换道风格分为激进，中等和保守的。建议的自动变道系统进行了评估的另一个卡车驾驶模拟器实验与相同的12个参与者。此外，不同的驾驶风格对驾驶员的经验和接受的影响进行了评估。评价结果表明，驾驶员能够区分不同的换道方式，驾驶员对三种换道方式的安全性评价总体上都是可以接受的，驾驶员对三种换道方式的评价是可靠的。这项研究为设计具有不同驾驶风格的自动驾驶系统提供了见解，研究结果可以应用于商业自动驾驶卡车。
2020-12-30 cs.HC cs.RO cs.SY
Towards Achieving Cooperation Compliance of Human Drivers in Mixed Traffic
针对混合交通中不合作的人类驾驶车辆，提出基于可退还通行费的合作合规控制框架，激励其行为符合社会最优目标，仿真验证了其在车道变更中提升合规性、安全性和效率。
2024-05-27 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
Real-Time Lane-Level Crash Detection on Freeways Using Sparse Telematics Data
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；University of Wyoming（怀俄明大学）；Tongji University（同济大学）；Wisconsin Department of Transportation（威斯康星州交通部）
本文提出一种基于稀疏车路协同数据的高速公路实时车道级碰撞检测方法，通过离线和在线阶段的处理，实现了高准确率的碰撞识别与定位。
2025-11-22 cs.SY eess.SY
Pre-Lane-change Signal in Transitional Autonomous Vehicles: Results from Controlled Experiments
University of Virginia（弗吉尼亚大学）；North Carolina State University（北卡罗来纳州立大学）
该研究通过NC-tALC的150次受控实验，提出基于SigT时刻相对位置与速度的Firth逻辑回归模型，实现0.89的五折交叉验证准确率，揭示tAV变道前的纵向准备规律，为变道模型提供支撑。
2026-09-03 cs.RO cs.SY eess.SY
TGLD: A Trust-Aware Game-Theoretic Lane-Changing Decision Framework for Automated Vehicles in Heterogeneous Traffic
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
针对异构交通中现有换道框架忽略人类驾驶车辆动态信任水平的问题，提出信任感知博弈论换道决策（TGLD）框架，通过多车辆联盟博弈与在线信任评估引导自动驾驶车辆选择情境自适应的合作策略，实验证明该方法显著提升换道效率并保障安全。
2025-07-14 cs.AI cs.RO cs.SY
An ACO-MPC Framework for Energy-Efficient and Collision-Free Path Planning in Autonomous Maritime Navigation
School of Engineering, University of Strathclyde（斯特拉思克莱德大学工程学院）；James Watt School of Engineering, University of Glasgow（格拉斯哥大学詹姆斯·瓦特工程学院）；School of Power and energy, Northwestern Polytechnical University（西北工业大学动力与能源学院）；School of Engineering, University of Birmingham（伯明翰大学工程学院）
针对坡道自动驾驶变道中安全与效率的平衡难题，提出一种集成规划器，利用不满意水平度量效率、箭头簇采样评估碰撞风险，仿真验证其能安全高效地选择变道时机与曲线。
2025-04-22 cs.RO cs.SY eess.SY
Efficient and Safe Planner for Automated Driving on Ramps Considering Unsatisfication
Department of Computer Science, University of Liverpool（利物浦大学计算机科学系）；James Watt School of Engineering, University of Glasgow（格拉斯哥大学詹姆斯·瓦特工程学院）；School of Engineering, Cardiff University（卡迪夫大学工程学院）；School of Computing Science, University of Glasgow（格拉斯哥大学计算机科学学院）
本文提出一种集成规划器，利用不满意水平度量与箭簇采样，在匝道上为自动驾驶车辆选择最佳变道时机和安全曲线，仿真验证其高效且无碰撞。
2025-04-20 cs.RO cs.SY eess.SY
Driver Digital Twin for Online Prediction of Personalized Lane Change Behavior
Purdue University（普渡大学）；Toyota Motor North America（丰田汽车北美公司）
本文提出基于车-边-云架构的驾驶员数字孪生系统，通过个性化建模在线预测人类驾驶车辆的换道行为，实现提前6秒识别换道意图并将轨迹预测误差控制在1.03米，较通用模型精度提升27.8%。
2022-11-02 cs.AI cs.SY eess.SY
Energy Efficient Automated Driving as a GNEP: Vehicle-in-the-loop Experiments
本文将多车换道节能运动规划建模为广义纳什均衡问题，利用车对车意图共享和MPC求解，并通过软件在环与车辆在环实验验证其在能耗和行程时间上的优势。
2024-11-21 cs.SY eess.SY
Knowledge-Data-Dual-Driven Reinforcement Learning for Autonomous Vehicle Control in Mixed Traffic
针对混合交通下自动驾驶车辆控制的三个挑战，提出KDDRL算法，通过条件深度生成模型、双驱动范式与耦合模块实现优化，在仿真中表现更优。
2026-08-17 cs.RO cs.SY eess.SY
Characterizing Lane-Changing Behavior in Mixed Traffic
Department of Civil and Environmental Engineering, University of Illinois at Urbana-Champaign（土木与环境工程系，伊利诺伊大学厄巴纳-香槟分校）；Department of Civil and Environmental Engineering, George Washington University（土木与环境工程系，乔治·华盛顿大学）
本研究通过博弈论框架分析混合交通中车道变换行为，揭示社会困境的存在及合作行为随时间的演变。
2025-12-08 cs.GT cs.MA cs.RO
Lane-Keeping Control of Autonomous Vehicles Through a Soft-Constrained Iterative LQR
National Yang Ming Chiao Tung University（国立阳明交通大学）
针对自动驾驶车道保持中控制抖动问题，提出软约束迭代LQR（soft-CILQR）算法，通过松弛变量软化约束，在数值与视觉实验中实现平滑转向，平均运行2.55毫秒，满足实时要求。
2024-12-17 cs.CV cs.RO cs.SY
Lateral String Stability in Autonomous & Connected Vehicle Platoons
本文针对执行紧急换道的自主网联车辆队列，提出利用领航车和前车通信信息的横向控制框架，通过双轨迹误差整合生成转向指令，实现横向字符串稳定性并经数值验证有效。
2025-01-15 cs.SY eess.SY
Comprehensive Training and Evaluation on Deep Reinforcement Learning for Automated Driving in Various Simulated Driving Maneuvers
Delft University of Technology（代尔夫特理工大学）
本文在 highway-env 中综合比较 DQN 与 TRPO，设计定制奖励并构建 ComplexRoads，证明 TRPO 可训练适应多种机动的统一自动驾驶模型。
2023-08-18 cs.AI cs.LG cs.RO
Tube-Based Robust Control Strategy for Vision-Guided Autonomous Vehicles
Department of Electrophysics, National Yang Ming Chiao Tung University（电子物理系，阳明交通大学）
本文提出了一种基于管的鲁棒控制策略，用于提高自动驾驶车辆在高速转弯时的车道保持性能，通过减少保守性和提高计算速度，优于传统方法。
2026-10-14 cs.CV cs.RO cs.SY
Robust Lateral Control of a Convoy of Autonomous & Connected Vehicles with Limited Preview
针对自主网联车辆车队紧急换道的横向控制需求，提出基于车车互联构建复合预瞄轨迹的控制方案，验证了多场景下的横向字符串稳定性与控制有效性。
2024-10-09 cs.SY eess.SY
Event-Driven Safe and Resilient Control of Automated and Human-Driven Vehicles under EU-FDI Attacks
University of Connecticut（康涅狄格大学）；Worcester Polytechnic Institute（伍斯特理工学院）
本文提出了一种事件驱动的安全与鲁棒控制框架，用于在EU-FDI攻击下实现CAVs与HDVs的混合交通环境中的安全变道控制。
2026-03-09 cs.SY eess.SY
Design and Simulation of Vehicle Motion Tracking System using a Youla Controller Output Observation System
本研究首次将Youla控制器输出观测器应用于车辆跟踪估计，仅用3个线性观测器实现全轨迹范围跟踪，通过切换技术保证平滑过渡，仿真验证其在多种驾驶场景下可准确鲁棒地估计车辆运动状态。
2025-06-13 cs.SY eess.SY
Data-Driven Robust Optimization for Energy-Aware Safe Motion Planning of Electric Vehicles
Department of Electrical Engineering, IIT Kharagpur（电子工程系，印度Kharagpur理工学院）
本文提出一种数据驱动的鲁棒优化框架，同时解决电动汽车的能量最优与安全运动规划，通过纳入横向动力学和基于历史数据的概率占用集约束，实现能耗降低与碰撞避免。
2025-09-07 cs.RO cs.SY eess.SY
Multi-Step Deep Koopman Network (MDK-Net) for Vehicle Control in Frenet Frame
Mechanical and Aerospace Engineering of University of California, Davis（加州大学戴维斯分校机械与航空航天工程学院）
本文提出了一种基于深度学习的Koopman建模方法，用于在Frenet框架内实现车辆控制，通过多步深度Koopman网络提升路径规划和跟随的控制性能。
2025-03-04 cs.LG cs.RO cs.SY
