From Spoken Thoughts to Automated Driving Commentary: Predicting and Explaining Intelligent Vehicles' Actions
University of Oxford(牛津大学);Umeå University(于默奥大学);University of Nottingham(诺丁汉大学);Oxford Robotics Institute(牛津机器人研究所)
在评论驾驶中,驾驶员用语言表达他们的观察,评估和意图。通过说出他们的想法,学习和专家驾驶员都能够更好地理解和意识到他们的周围环境。在智能车辆背景下,自动驾驶评论可以提供关于驾驶动作的可理解的解释,从而在具有挑战性和安全关键的场景中在驾驶操作期间帮助驾驶员或最终用户。在本文中,我们进行了一项实地研究,其中我们部署了一个研究车辆在城市环境中获取数据。在收集车辆周围环境的传感器数据时,我们使用有声思维协议从驾驶教练那里获得驾驶评论。我们分析了驾驶评论,发现了一种解释风格;司机首先宣布他的观察,宣布他的计划,然后做一般性的评论。他还发表了反事实的评论。我们成功地演示了如何使用透明的基于树的方法自动生成遵循这种风格的事实和反事实自然语言解释。为纵向行动生成解释(例如,停止和移动)被认为是更容易理解和合理的人类法官相比,横向行动,如车道变化。我们讨论了如何在未来建立我们的方法,以实现驾驶员辅助以及驾驶功能的部分和有条件自动化的更强大和有效的可解释性。
2022-06-04 cs.AI cs.CY cs.HC
Diagnosing and Predicting Autonomous Vehicle Operational Safety Using Multiple Simulation Modalities and a Virtual Environment
University of Tennessee(田纳西大学)
本研究结合车辆在环(VIL)与模型在环(MIL)仿真的优势,搭建自动驾驶汽车仿真测试平台,可实现VIL的响应诊断与MIL的响应预测,低成本高效率地支持安全边缘案例发现。
2024-05-13 cs.RO cs.SY eess.SY
Uncertainty-Aware Autonomous Vehicles: Predicting the Road Ahead
School of Engineering, Computing and Mathematics, Oxford Brookes University, UK(工程、计算与数学学院,奥克斯福德布鲁克斯大学,英国);Autonomous Driving and Intelligent Transport, Oxford Brookes University, UK(自动驾驶与智能交通,奥克斯福德布鲁克斯大学,英国);Cognitive Robotics, TU Delft, Netherlands(认知机器人学,代尔夫特理工大学,荷兰)
本研究将随机集神经网络集成到自动驾驶赛车软件栈中,通过显式量化预测不确定性来动态调节车速,在保持高速性能的同时提升不确定场景下的安全性,显著优于传统CNN和贝叶斯方法。
2025-10-26 cs.AI cs.RO
Using Buckingham's $π$ Theorem for Multi-System Learning Transfer: a Case-study with 3 Vehicles Sharing a Database
Universite de Sherbrooke(谢布鲁克大学)
本文提出利用 Buckingham π 定理构造无量纲特征以提升多车辆系统间运动模型迁移学习的数据效率,实验表明其预测精度显著优于传统方法、PCA 和简单归一化。
2024-07-03 cs.RO
Below Horizon Aircraft Detection Using Deep Learning for Vision-Based Sense and Avoid
Queensland University of Technology(昆士兰科技大学)
无人机(UAV)的商业运营将受益于机载感知和避免(SAA)潜在空中碰撞威胁的能力。在本文中,我们提出了一种新的方法来检测飞机低于地平线。我们解决了现有的基于视觉的SAA方法所面临的一些挑战,如检测静止的飞机(与背景没有相对运动),拒绝移动的地面车辆,以及同时检测多架飞机。我们提出了一个多阶段,基于视觉的飞机检测系统,利用深度学习来产生候选飞机,我们随着时间的推移跟踪。我们评估了我们提出的系统在真实飞行数据上的性能,我们展示了与最先进水平相当的检测范围,并具有检测静止飞机,拒绝移动地面车辆和跟踪多架飞机的额外能力。
2019-03-08 cs.RO
Prediction Horizon Requirements for Automated Driving: Optimizing Safety, Comfort, and Efficiency
Eindhoven University of Technology(埃因霍温理工大学);TNO(荷兰应用科学研究组织);VDL CropTeq Robotics(VDL CropTeq机器人公司)
本文利用基于风险的预测轨迹规划器仿真最长20秒的预测时域,提出按安全、舒适与效率需求确定最低及最佳时域的框架,并建议横穿行人场景采用11.8秒。
2024-04-10 cs.LG cs.RO
From Observation to Prediction: LSTM for Vehicle Lane Change Forecasting on Highway On/Off-Ramps
C-DRiVeS Lab: Cognitive Driving Research in Vehicular Systems(C-DRiVeS实验室:车载系统认知驾驶研究);Computer Science and Engineering Department - Faculty of Media Engineering and Technology - German University in Cairo(计算机科学与工程系 - 媒体工程与技术学院 - 埃及德国大学)
本文研究了高速公路进出匝道区域与直线路段的区别,利用多层LSTM架构和ExiD无人机数据集训练模型,测试了不同预测时间范围和不同模型的工作流程,结果表明在4秒内预测准确率可达76%(匝道区域)和94%(一般高速公路场景).
2026-01-21 cs.AI cs.LG cs.NE
Maneuver-Aware Pooling for Vehicle Trajectory Prediction
University of Leeds(利兹大学)
自动驾驶汽车应该能够预测其环境的未来状态并做出适当的反应。具体来说,预测周围人类驾驶员的行为对于此类平台与人类共享同一条道路至关重要。周围车辆中的每一个的行为由其相邻车辆的运动控制。本文的重点是预测自动驾驶汽车在高速公路上的周围车辆的行为。我们的动机是提高预测精度时,周围的车辆进行变道和高速公路合并演习。我们提出了一种新的池化策略来捕捉相邻车辆之间的相互依赖关系。仅依赖于欧几里德轨迹表示,现有的池化策略不建模的上下文信息的机动周围的车辆。相比之下,我们的池机制采用极轨迹表示,车辆方向和径向速度。这将导致隐式的可感知池化操作。我们将所提出的池化机制纳入生成式编码器-解码器模型中,并在公共NGSIM数据集上评估了我们的方法。最后,通过与现有方法的比较,验证了该方法的有效性。我们的“Pooling Example”代码可在https://github.com/m-hasan-n/pooling上获得。
2021-04-29 cs.CV cs.RO
Multimodal Manoeuvre and Trajectory Prediction for Automated Driving on Highways Using Transformer Networks
WMG, University of Warwick(华威大学WMG学院);Queen’s University of Belfast(贝尔法斯特女王大学)
提出一种基于Transformer的多模态预测框架,通过定制问题公式化、预测模型和训练方法,在NGSIM、highD和exiD数据集上优于现有方法,实现更准确的高速公路车辆机动与轨迹预测。
2023-07-26 cs.LG cs.RO
Video action recognition for lane-change classification and prediction of surrounding vehicles
York University(约克大学);University of Alcalá(阿尔卡拉大学);European Commission - Joint Research Center(欧盟委员会联合研究中心)
在高速公路场景中,警觉的人类驾驶员通常将主要使用视觉线索来预测周围车辆的早期切入/切出操纵。自动驾驶汽车也必须在早期阶段预测这些情况,以提高其安全性和效率。在这项工作中,车道变换识别和预测任务构成的视频动作识别问题。多达四种不同的基于两个流的方法,已成功地应用于解决人类行为识别,在这里通过堆叠来自前视摄像机的视觉线索来识别和预测目标车辆的车道变化。我们研究了情境和观察视野对绩效的影响,并对不同的预测视野进行了分析。不同的模型使用预防数据集进行训练和评估。所获得的结果清楚地表明,这些方法的潜力,作为强大的预测未来的车道变化的周围车辆证明的准确性高于90%,在1-2秒之间的时间范围。
2022-04-06 cs.AI cs.CV cs.RO
Predicting Driver Takeover Time in Conditionally Automated Driving
The University of Michigan(密歇根大学);University of Pittsburgh(匹兹堡大学);University of Michigan(密歇根大学)
在条件自动驾驶中确保安全的接管过渡是非常重要的。量化安全接管过渡的关键因素之一是接管时间。以往的研究确定了许多因素对接管时间的影响,如接管前置时间,非驾驶任务,接管请求(TORs)的方式,和场景的紧迫性。然而,目前还缺乏同时考虑这些因素来预测收购时间的研究。为此,我们使用了极限梯度提升(XGBoost)来预测接管时间,使用的数据集来自荟萃分析研究[1]。此外,我们使用SHAP(SHapley Additive exPlanation)来分析和解释预测因子对收购时间的影响。我们确定了七个最关键的预测因子,这些因子导致了最佳的预测性能。研究了它们对接管时间的主效应和交互效应。实验结果表明,该方法具有良好的性能和可解释性。我们的研究结果对车载监控和警报系统的设计有影响,以促进驾驶员和自动驾驶汽车之间的互动。
2021-07-20 cs.HC cs.LG cs.RO
Scene Transformer: A unified architecture for predicting multiple agent trajectories
Google Research(谷歌研究院);Waymo(Waymo公司)
预测多个智能体的运动对于动态环境中的规划是必要的。这项任务对于自动驾驶来说是具有挑战性的,因为智能体(例如车辆和行人)及其相关行为可能是多种多样的,并且相互影响。大多数先前的工作都集中在预测独立的未来为每个代理的基础上所有过去的运动,并针对这些独立的预测进行规划。然而,针对独立预测的规划可能会使表示不同代理之间的未来交互可能性变得具有挑战性,从而导致次优规划。在这项工作中,我们制定了一个模型来预测所有代理人的行为,产生一致的未来,占代理人之间的相互作用。受最近语言建模方法的启发,我们使用掩蔽策略作为对模型的查询,使人们能够调用单个模型以多种方式预测智能体行为,例如可能以自动驾驶汽车的目标或完整未来轨迹或环境中其他智能体的行为为条件。我们的模型架构采用注意力结合功能的道路元素,代理交互和时间步长。我们在自动驾驶数据集上评估了我们的边缘和联合运动预测方法,并在两个流行的数据集上实现了最先进的性能。通过结合场景为中心的方法,代理置换等变模型,和序列掩蔽策略,我们表明,我们的模型可以统一各种运动预测任务,从联合运动预测条件预测。
2022-03-04 cs.CV cs.LG 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
Vehicle trajectory prediction in top-view image sequences based on deep learning method
Sahand University of Technology(萨汉德理工大学);University of California(加利福尼亚大学)
每年,全世界有大量的伤亡与机动车事故有关。最近,通过使用驾驶员辅助系统,该值在一定程度上有所降低。开发驾驶员辅助系统(即,自动驾驶系统)可以在减少这一数字方面发挥关键作用。估计和预测周围车辆的运动对于自动驾驶车辆和先进的安全系统至关重要。此外,预测轨迹受到许多因素的影响,例如驾驶员在事故期间的行为,车辆运动和周围车辆的历史,以及它们在交通场景中的位置。车辆必须在安全的道路上行驶,并在最短的时间内对其他驾驶员的不可预测的行为做出反应。本文提出了一种低计算复杂性的自动驾驶车辆路径预测模型,该模型由道路航拍图像训练而成。我们的方法是基于一个编码器-解码器模型,利用社会张量来模拟周围车辆的运动对目标车辆的影响。所提出的模型可以预测车辆的未来路径在任何高速公路上,只有通过查看与目标车辆的运动及其邻居的历史图像。深度学习被用作提取这些图像特征的工具。使用HighD数据库,创建了道路航拍图像的图像数据集,并在此新数据库上评估了模型的性能。我们在接下来的5秒内实现了1.91的RMSE,并发现所提出的方法比以前研究中的最佳路径预测方法具有更小的误差。
2021-05-16 cs.CV cs.LG
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
Predicting Safety Misbehaviours in Autonomous Driving Systems using Uncertainty Quantification
Technical University of Munich(慕尼黑工业大学);Software Institute - USI Lugano(瑞士意大利语区卢加诺大学软件学院);fortiss GmbH(弗奥蒂斯有限公司)
本文评估了MC-Dropout和Deep Ensembles两种贝叶斯不确定性量化方法在自动驾驶系统安全不当行为前瞻性测试中的有效性与计算开销,其在Udacity模拟器基准中表现优于现有方法,为构建故障安全机制提供可行方案。
2025-02-13 cs.LG cs.RO cs.SE
CRAT-Pred: Vehicle Trajectory Prediction with Crystal Graph Convolutional Neural Networks and Multi-Head Self-Attention
Mercedes-Benz AG(梅赛德斯-奔驰股份公司);Ulm University(乌尔姆大学)
预测周围车辆的运动对于自动驾驶汽车至关重要,因为它控制着自己的运动计划。当前最先进的车辆预测模型严重依赖于地图信息。但实际上,这些信息并不总是可用的。因此,我们提出了CRAT-Pred,一个多模式和非光栅化的轨迹预测模型,专门设计用于有效地模拟车辆之间的社交互动,而不依赖于地图信息。CRAT-Pred将源自材料科学领域的图形卷积方法应用于车辆预测,可以有效地利用边缘特征,并将其与多头自注意力相结合。与其他无映射方法相比,该模型以显著更少的模型参数实现了最先进的性能。除此之外,我们定量地表明,自我注意力机制能够学习车辆之间的社会互动,权重代表可测量的互动得分。源代码是公开的。
2022-02-10 cs.CV cs.LG cs.RO
ParkPredict: Motion and Intent Prediction of Vehicles in Parking Lots
University of California, Berkeley(加州大学伯克利分校);Chalmers University of Technology(查尔姆斯理工大学);Zenuity AB
我们调查的问题,预测驾驶员的行为在停车场,这是一个环境,结构比典型的道路网络和功能复杂,互动的机动车在一个紧凑的空间。使用CARLA模拟器,我们开发了一个停车场环境,并收集了人类停车操作的数据集。然后,我们通过将多模态长短期记忆(LSTM)预测模型和卷积神经网络LSTM(CNN-LSTM)与基于物理的扩展卡尔曼滤波器(EKF)基线进行比较,研究了模型复杂性和特征信息的影响。我们的研究结果表明:1)可以很好地估计意图(LSTM和CNN-LSTM模型的前1准确率约为85%,前3准确率接近100%); 2)人类驾驶员打算停车位的知识对预测停车轨迹有重大影响; 3)环境的语义表示改善了长期预测。
2020-04-21 cs.AI cs.LG cs.RO
DH-VLM: Dual-Horizon Cooperative Latent Reasoning for Autonomous Driving
Tsinghua University(清华大学)
本文提出DH-VLM双时域协同隐层推理框架,结合基础设施与自车实现非对称语义协同,构建协同QA数据集支撑推理,在规划性能、通信成本等指标上优于现有方法,为协同自动驾驶提供实用鲁棒范式。
2026-08-11 cs.RO
Interaction-Aware Trajectory Prediction of Connected Vehicles using CNN-LSTM Networks
Nanyang Technological University(南洋理工大学)
预测拥堵交通中周围车辆的未来轨迹是自动驾驶车辆的基本能力之一。在拥堵中,车辆的未来运动是其与周围车辆相互作用的结果。一辆处于拥挤状态的车辆在相对较短的距离内可能有许多邻居,而只有一小部分邻居对其未来的轨迹影响最大。在这项工作中,一个相互作用的感知方法,预测未来的轨迹自我车辆考虑其与周围八个车辆的相互作用。车辆的动力学由具有共享权重的LSTM编码,并且用简单的CNN提取相互作用。所提出的模型进行了训练和测试的轨迹从公开访问的NGSIM US-101数据集。定量实验结果表明,该模型优于以往的模型在均方根误差(RMSE)。结果可视化表明,该模型能够在车辆进行明显的侧向运动以启动变道之前预测出变道引起的未来轨迹。
2020-05-28 cs.RO
Predicting Future Spatiotemporal Occupancy Grids with Semantics for Autonomous Driving
Stanford University(斯坦福大学)
针对自动驾驶占用预测中移动物体易消失模糊的问题,提出融合环境语义的时空占用网格预测框架,在Waymo开放数据集上验证了更高精度及长时程保持物体外观的能力。
2024-04-11 cs.RO
Predicting origin-destination ride-sourcing demand with a spatio-temporal encoder-decoder residual multi-graph convolutional network
The Hong Kong University of Science and Technology(香港科技大学);University of Michigan(密歇根大学);Didi Chuxing(滴滴出行)
随着移动互联网技术的快速发展,按需叫车服务越来越受欢迎,并在很大程度上重塑了人们的出行方式。需求预测是网约车平台供需管理系统中最基本的组成部分之一。通过对起讫点(OD)需求的准确短期预测,平台可以在实时匹配、空闲车辆重新分配和共乘车辆路径等方面做出准确及时的决策。与许多先前研究所研究的基于区域的需求预测相比,基于OD的需求预测更具挑战性。这主要是由于不同OD对需求之间复杂的空间和时间依赖性。为了克服这一挑战,我们提出了时空编码器-解码器残差多图卷积网络(ST-ED-RMGC),这是一种新型的深度学习模型,用于预测各种OD对的乘车需求。该模型首先构造OD图,利用邻接矩阵刻画不同OD对之间的非欧成对地理和语义相关性。其次,基于所构造的图,设计了残差多图卷积(RMGC)网络来编码上下文感知的空间依赖性,并使用长短期记忆(LSTM)网络来编码时间依赖性,到稠密向量空间中。最后,我们再利用RMGC网路将压缩向量解码回OD图,并预测未来的OD需求。通过对纽约市曼哈顿的出租车辆数据集进行广泛的实验,我们表明我们提出的深度学习框架的性能远远优于最先进的框架。
2019-10-17 cs.LG eess.SP
Hierarchical Game-Theoretic Planning for Autonomous Vehicles
University of California, Berkeley(加州大学伯克利分校);KTH Royal Institute of Technology(KTH皇家理工学院);Stanford University(斯坦福大学)
自动驾驶汽车在道路上的行为会影响其他驾驶员的行为,无论是超车、谈判合并还是避免事故。这种相互依赖,最好用动态博弈论来描述,在车辆的规划和对其他驾驶员行为的预测之间建立了强耦合,并构成了一个直接影响自动驾驶技术安全性和可行性的开放性问题。不幸的是,动态游戏的计算要求太高,无法满足自动驾驶在连续状态和动作空间中的实时约束。在本文中,我们介绍了一种新的游戏理论的自动驾驶轨迹规划算法,使实时性能分层分解的基础动态游戏到一个长期的“战略”游戏,简化的动态和完整的信息结构,和一个短期的“战术”游戏,完整的动态和简化的信息结构。战略博弈的价值被用来指导战术规划,隐含地扩展规划范围,推动局部轨迹优化更接近全局解决方案,最重要的是,定量地考虑自动驾驶汽车和人类驾驶员相互影响的能力和激励。此外,我们的方法承认人类决策的非确定性模型,而不是依赖于完全理性的预测。与现有技术相比,我们的研究结果展示了更丰富,更安全,更有效的自主行为。
2018-10-13 cs.AI cs.MA cs.RO
Receding Horizon Planning with Rule Hierarchies for Autonomous Vehicles
NVIDIA Research(英伟达研究院);University of Washington(华盛顿大学);California Institute of Technology(加州理工学院);Stanford University(斯坦福大学)
针对自动驾驶规划中多规则冲突问题,提出将规则层级等价转化为保序可微奖励结构的方法,结合两阶段规划器兼顾可解释性与规划效率,在复杂场景下实现7-10Hz的运动规划生成。
2023-12-13 cs.RO cs.SY eess.SY
Predicting Parameters for Modeling Traffic Participants
Honda Research Institute USA, Inc.(美国本田研究院有限公司);University of California, Santa Barbara(加州大学圣巴巴拉分校)
准确地建模交通参与者的行为对于在繁忙的交通中安全有效地导航自动驾驶车辆至关重要。我们提出了一种方法,基于智能驾驶员模型,使我们能够准确地模拟个人驾驶员的行为,从只有少量的帧,使用易于观察的功能。平均而言,当在高速公路驾驶的10秒范围内进行分析时,该方法的预测误差与具有全部信息的预言相差不到1米。然后,我们通过对竞争数据驱动的方法,如强化学习,可能是独立的利益进行广泛的分析,验证我们的方法的效率。
2023-01-26 cs.RO
Selecting Spots by Explicitly Predicting Intention from Motion History Improves Performance in Autonomous Parking
Honda Research Institute (HRI)(本田研究机构);Georgia Institute of Technology(佐治亚理工学院)
本文提出了一种通过显式预测意图来选择停车位的自动驾驶停车方法,提高了停车任务的预测准确性、社会接受度和任务完成度。
2026-03-05 cs.RO
Double-Prong ConvLSTM for Spatiotemporal Occupancy Prediction in Dynamic Environments
Stanford University(斯坦福大学)
预测环境的未来占用状态对于实现自主车辆的明智决策是重要的。占用预测中的常见挑战包括消失的动态对象和模糊的预测,特别是对于长预测范围。在这项工作中,我们提出了一个双叉神经网络架构来预测的占用状态的时空演变。其中一个分支致力于预测移动的自我车辆将如何观察静态环境。另一个方面是预测环境中的动态对象将如何移动。在真实世界的Waymo开放数据集上进行的实验表明,这两个分支的融合输出能够保留动态对象,并在比基线模型更长的时间范围内减少预测中的模糊性。
2022-09-27 cs.RO
A Multi-step Dynamics Modeling Framework For Autonomous Driving In Multiple Environments
Georgia Institute of Technology(佐治亚理工学院);NASA Jet Propulsion Laboratory, California Institute of Technology(美国国家航空航天局喷气推进实验室,加州理工学院)
针对越野车辆动力学建模复杂、误差累积影响控制规划的问题,提出一种含特殊初始化LSTM的多步动力学预测混合框架,仅需里程计标签,可在越野场景下实时5秒预测数百万条轨迹。
2023-05-03 cs.RO cs.SY eess.SY
FollowMe: Vehicle Behaviour Prediction in Autonomous Vehicle Settings
Meta Reality Labs(元现实实验室);The University of Texas at Austin(德克萨斯大学奥斯汀分校);University of Washington(华盛顿大学)
本文提出 FollowMe 数据集和 FollowMe-STGCNN 深度时空图模型,用于在给定领航车路线条件下预测自车轨迹,并通过实验证明该模型能有效捕捉车辆交互,优于现有运动预测方法。
2023-04-12 cs.CV cs.RO
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
Modeling 3D Pedestrian-Vehicle Interactions for Vehicle-Conditioned Pose Forecasting
School of Computing Science, University of Glasgow(计算科学学院,格拉斯哥大学);James Watt School of Engineering, University of Glasgow(詹姆斯·瓦特工程学院,格拉斯哥大学)
本文提出了一种基于3D车辆条件化的行人姿态预测方法,通过融合车辆信息提升自动驾驶中行人-车辆交互的预测精度。
2026-02-09 cs.CV cs.RO
Multi-Fidelity Recursive Behavior Prediction
Qualcomm AI Research(高通人工智能研究院);Stanford University(斯坦福大学)
预测周围车辆的行为是自动驾驶中的一个关键问题。我们提出了一种新的博弈论行为预测模型,通过明确推理代理之间未来可能的交互来实现最先进的预测精度。我们评估了我们的方法NGSIM车辆轨迹数据集,并表现出较低的均方根误差比国家的最先进的方法。
2018-12-18 cs.AI cs.RO
Learning and Predicting Multimodal Vehicle Action Distributions in a Unified Probabilistic Model Without Labels
Optimus Ride
我们提出了一个统一的概率模型,学习一组有代表性的离散车辆动作,并预测给定特定场景下每个动作的概率。我们的模型还使我们能够估计以场景为条件的连续轨迹上的分布,表示如果在该场景中执行,每个离散动作会是什么样子。虽然我们的主要目标是学习有代表性的动作集,但这些功能结合起来,可以产生准确的多模式轨迹预测。虽然我们学习的动作表征与语义上有意义的类别非常相似(例如,“直走”、“左转”等),我们的方法完全是自我监督的,并且不利用任何手动生成的标签或类别。我们的方法建立在变分推理和深度无监督聚类的最新进展基础上,基于确定性模型评估得出全分布估计。
2022-12-14 cs.LG cs.RO
Integrating kinematics and environment context into deep inverse reinforcement learning for predicting off-road vehicle trajectories
Yamaha Motor Co. Ltd.(雅马哈发动机株式会社);Carnegie Mellon University(卡内基梅隆大学)
从第三人称的角度预测移动代理的运动是许多机器人应用的重要组成部分,如自主导航和跟踪。通过对其他智能体的准确运动预测,机器人可以计划更智能的行为来实现指定的目标,而不是以纯粹的反应方式行事。以前的工作解决运动预测,要么只过滤运动学,或使用手工设计和学习的环境表示。我们没有将运动学背景和环境背景分开,而是提出了一种新的方法,将两者整合到反向强化学习(IRL)框架中进行轨迹预测。而不是指数增加的状态-空间复杂度与运动学,我们提出了一个两阶段的神经网络架构,考虑运动和环境一起恢复的奖励函数。第一阶段网络使用低级LiDAR统计数据学习环境的特征表示,第二阶段网络将这些学习的特征与运动学数据相结合。我们收集了超过30公里的越野驾驶数据,并通过实验验证了我们的方法可以有效地提取有用的环境和运动学特征。我们生成车辆未来轨迹分布的准确预测,编码复杂的行为,例如道路交叉口的多模态分布,甚至根据车辆的速度在同一交叉口显示不同的预测。
2018-10-16 cs.AI cs.LG cs.RO
Predicting the Time Until a Vehicle Changes the Lane Using LSTM-based Recurrent Neural Networks
Mercedes-Benz AG(梅赛德斯-奔驰股份公司);Ulm University(乌尔姆大学);RWTH Aachen University(亚琛工业大学);University of Siegen(锡根大学)
为了规划自动驾驶汽车在高速公路上的安全舒适的轨迹,需要准确预测交通状况。到目前为止,大量的研究工作已经花在检测车道变换机动,而不是估计的时间点车道变换实际发生。然而,在实践中,这种时间信息可能更有用。本文论述了一个系统的发展,准确地预测时间到下一个车道的变化,周围的车辆在高速公路上使用长短期记忆为基础的循环神经网络。基于大量真实数据集的广泛评估表明,即使在最具挑战性的情况下,我们的方法也能够做出可靠的预测,均方根误差约为0.7秒。在变道前3.5秒,预测变得非常准确,显示出小于0.25秒的中位误差。总之,这篇文章形成了向下游高度准确的位置预测迈出的基本一步。
2021-02-03 cs.AI cs.LG cs.NE
Short-Horizon Position Accuracy of Single-Track Models: Implications for Motion Planning of Autonomous Vehicles
Department of Mechanical Engineering, Eindhoven University of Technology(埃因霍温理工大学机械工程系);Safety & Driver Controls Group, Vehicle Development, DAF Trucks N.V.(DAF卡车公司车辆开发部安全与驾驶员控制组)
本文通过实车实验对比三种单轨车辆模型的短时位置精度,分析模型复杂度、参数化质量与位置精度的权衡,为模型预测控制中的模型选择提供依据。
2026-07-07 cs.RO cs.SY eess.SY
A Receding Horizon Multi-Objective Planner for Autonomous Surface Vehicles in Urban Waterways
Massachusetts Institute of Technology(麻省理工学院);Stevens Institute of Technology(史蒂文斯理工学院)
我们提出了一种新的滚动时域规划器的自主水面车辆(ASV)在城市水道进行路径规划。通过重复生成和搜索反映在传感器视场中观察到的障碍物的图来找到可行路径。我们还提出了一种新的方法,多目标运动规划的图,利用字典优化的范例,并将其应用到我们的滚动时域规划器内的图搜索。在搜索过程中,对感兴趣的竞争资源进行分级处罚。较高等级的资源会导致机器人在所走过的路径上产生非负成本,这些路径有时是零值的。该框架旨在捕获机器人必须管理资源的问题,例如碰撞风险。这为打破低优先级资源的平局留下了自由;在层次结构的底部是机器人消耗的严格的正数量,例如行驶的距离,消耗的能量或消耗的时间。我们在模拟和现实环境中进行实验,以验证所提出的规划,并证明其能力,使ASV导航在复杂的环境中。
2020-08-29 cs.RO
Fault Diagnosis for Underwater Vehicles using Moving Horizon Estimation and Gaussian Processes
Center for AI & Robotics(人工智能与机器人中心);New York University Abu Dhabi(纽约大学阿布扎比分校)
本文提出结合移动时域估计与高斯过程的水下航行器执行器故障诊断框架,通过残差广义似然比检验实现鲁棒检测与量化,并在水箱实验中验证。
2026-09-15 cs.RO
IMU-Centric Moving Horizon Estimation for Lateral Dynamics Estimation Across Vehicles and Grip Conditions
University of Modena and Reggio Emilia(摩德纳-雷焦艾米利亚大学)
本文提出一种以IMU为中心的移动时域估计框架,利用标准车载信号重建横向速度,无需外部感知或轮胎参数调校,并在多种车辆和条件下验证了其准确性和鲁棒性。
2026-09-11 cs.RO cs.SY eess.SY
Two-dimensional time-to-collision measures for articulated vehicles: predicting sideswipe and rear-end collisions
The Swedish National Road and Transport Research Institute(瑞典国家道路与交通研究 institute);Division of Vehicular Systems, Electrical Engineering, Linköping University(车辆系统系,电气工程,林雪平大学)
该研究针对铰接式车辆提出两种二维碰撞时间度量,改进了现有仅适用于乘用车的碰撞时间公式,在CARLA仿真中验证其可显著提升侧面碰撞检测性能,同时保持追尾碰撞检测能力。
2026-08-17 cs.RO
Quad2Plane: An Intermediate Training Procedure for Online Exploration in Aerial Robotics via Receding Horizon Control
University of Bristol(布里斯托大学)
数据驱动的机器人依赖于准确的现实世界表示来学习有用的策略。尽管我们尽了最大的努力,zero-shot仿真到现实迁移仍然是一个未解决的问题,我们经常需要允许我们的代理在线探索,以学习对给定任务有用的策略。对于许多应用领域的机器人在线探索是昂贵和危险的,这是特别真实的固定翼空中机器人。为了应对这些挑战,我们提供了一个用于现场机器人学习的中间解决方案。我们研究了使用不同的平台车辆学习,并提供了一个程序来模仿一个车辆与另一个的行为。我们特别考虑的问题,训练固定翼飞机,昂贵和危险的车辆类型,使用多旋翼主机平台。使用模型预测控制方法,我们设计了一个控制器,能够模仿另一个车辆的行为,在模拟和现实世界。
2022-03-21 cs.RO
Predicting center of mass position in non-cyclic activities: The influence of acceleration, prediction horizon, and ground reaction forces
University of Notre Dame(圣母大学)
针对非周期性活动中质心位置预测问题,研究加速度假设、预测时域和地面反作用力的影响,发现利用GRFs的恒定和三次加速度剖面在短时域预测更优,250毫秒为预测时域阈值。
2026-10-27 cs.RO q-bio.QM
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
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
Online Sampling in the Parameter Space of a Neural Network for GPU-accelerated Motion Planning of Autonomous Vehicles
MPG
本文提出了一种用于自动驾驶车辆GPU加速运动规划的神经网络参数空间在线采样方法,通过神经网络作为控制器参数化来处理非线性和非凸系统,并在预测时间范围内保持参数化不变,同时通过变化的特征向量确定转向和纵向加速度控制。
2019-04-14 cs.RO cs.SY eess.SY
A Stochastic Nonlinear Model Predictive Control with an Uncertainty Propagation Horizon for Autonomous Vehicle Motion Control
Technical University Munich(慕尼黑工业大学);Munich Institute of Robotics and Machine Intelligence (MIRMI)(慕尼黑机器人与机器智能研究所)
本文提出不确定性传播时域(UPH)概念,结合多项式混沌展开改进随机非线性模型预测控制,在自动驾驶车辆轨迹跟随中实现高速鲁棒实时控制,并使原本不可行的问题变得可行。
2023-10-28 cs.RO cs.SY eess.SY
Two-Stream Networks for Lane-Change Prediction of Surrounding Vehicles
University of Alcalá(阿尔卡拉大学);York University(约克大学)
在高速公路场景中,警觉的人类驾驶员通常将仅使用视觉线索来预测周围车辆的早期切入和切出机动。自动化系统也必须在早期阶段预测这些情况,以提高其性能的安全性和效率。为了处理车道变换识别和预测周围的车辆,我们提出的问题作为一个动作识别/预测问题堆叠视觉线索从摄像机。分析了两种视频动作识别方法:双流卷积网络和时空乘法器网络。分析了车辆周围不同大小的区域,评估了车辆与上下文信息之间的交互在性能中的重要性。此外,对不同的预测层位进行了评价。所获得的结果表明,这些方法的潜力,作为强大的预测未来的车道变化周围的车辆在1和2秒之间的时间范围。
2020-08-25 cs.AI cs.CV cs.RO
Analysis and Prediction of Pedestrian Crosswalk Behavior during Automated Vehicle Interactions
Department of Mechanical Engineering, University of Michigan, Ann Arbor, USA(美国密歇根大学安娜堡分校机械工程系)
为了在行人周围安全导航,自动驾驶汽车(AV)需要通过准确预测长时间范围内的行人轨迹来规划其运动。目前的方法,以AV运动规划周围的人行横道预测只有很短的时间范围(1-2秒),是基于行人与人类驾驶的车辆(HDV)的相互作用的数据。在本文中,我们开发了一个混合系统模型,使用行人间隙接受行为和恒定速度动态的长期行人轨迹预测时,与自动驾驶汽车。结果表明,该模型的长期(> 5 s)的行人轨迹预测在人行横道的适用性。此外,我们将沉浸式虚拟环境中的行人过街行为(与AV交互时)与现实世界中的行人过街行为(已发表的行人与HDV交互的研究结果)进行了比较,并发现两者之间存在相似之处。这些相似之处表明了从沉浸式虚拟环境(IVE)开发的AV交互混合模型对于AV和HDV的真实场景的适用性。
2020-03-22 cs.CY cs.HC cs.RO
Model Predictive Control with Gaussian-Process-Supported Dynamical Constraints for Autonomous Vehicles
Technical University of Darmstadt(达姆施塔特工业大学);Otto-von-Guericke University Magdeburg(马格德堡奥托·冯·格里克大学)
我们提出了一种自动驾驶汽车的模型预测控制方法,该方法利用学习的高斯过程来预测人类的驾驶行为。所提出的方法采用GP的预测,以实现安全的不确定性。多模式预测控制方法考虑人类驾驶员的可能意图。虽然意图由不同的高斯过程表示,但其在所观察到的行为中预见的概率由合适的在线分类确定。低于某个概率阈值的意图被忽略以提高性能。所提出的多模式模型预测控制方法与高斯过程回归支持,使重复的可行性和概率约束满足高概率。该方法强调在模拟中,考虑现实世界的测量训练高斯过程。
2023-03-08 cs.LG cs.RO cs.SY
Dense Fixed-Wing Swarming using Receding-Horizon NMPC
Johns Hopkins University Applied Physics Lab(约翰斯·霍普金斯大学应用物理实验室);Johns Hopkins University Whiting School of Engineering(约翰斯·霍普金斯大学惠廷工程学院)
针对敏捷固定翼飞行器近距离蜂群飞行的避障需求,提出基于滚动时域NMPC的控制方法,结合轨迹偏离概率统计界实现鲁棒避障,经仿真与硬件实验验证,为首次在实体特技固定翼上实现近距离蜂群飞行。
2025-02-21 cs.RO cs.SY eess.SY
Contingency Model Predictive Control for Automated Vehicles
Department of Mechanical Engineering, Stanford University(斯坦福大学机械工程系)
本文提出了一种新的应急模型预测控制(CMPC)框架,该框架在跟踪期望路径的同时,维护一个替代轨迹以避免已识别的潜在紧急情况。通过在经典递推MPC时间 horizon中并行添加额外的预测时间 horizon,CMPC能够预见可能发生的情况,而不是在紧急情况发生后才反应。通过数学定义框架并实验比较其性能与最先进的确定性MPC,展示了CMPC在应对潜在摩擦损失(如冰面)时的有效性。
2019-03-21 cs.RO cs.SY eess.SY
A traffic management system for large and heterogeneous vehicles in narrow industrial environments
University of Modena and Reggio Emilia(摩德纳和雷焦艾米利亚大学);Gruppo TecnoFerrari S.p.a.(泰克诺法拉利集团股份公司)
本文提出基于L-MAPF和滚动时域CBS的AGV车流管理系统,适用于狭窄双向走廊的异构车辆环境,通过自适应冲突消解与死锁检测,吞吐量较传统方法提升最高11%。
2026-09-10 cs.MA cs.RO