Adversarial Safety-Critical Scenario Generation using Naturalistic Human Driving Priors
Research Center of Synkrotron, Inc.（同步辐射研究中心公司）；Institute for Interdisciplinary Information Core Technology（跨学科核心信息技术研究院）；Academy of Advanced Interdisciplinary Research, Xidian University（西安电子科技大学先进交叉学科研究院）；Chongqing Changan Automobile Co. Ltd（重庆长安汽车股份有限公司）；Synkrotron, Inc.（同步辐射公司）
本文提出结合自然人类驾驶先验与强化学习的两阶段对抗性场景生成方法，利用IDM、MOBIL、GAIL和PPO技术，在NGSIM数据集上验证可生成兼具自然性与对抗性的安全关键测试场景。
2024-08-07 cs.AI cs.RO
Driving-Policy Adaptive Safeguard for Autonomous Vehicles Using Reinforcement Learning
Tsinghua University（清华大学）；University of Michigan（密歇根大学）
诸如高级紧急制动（AEB）提供的保护功能可以为自动驾驶车辆（AV）提供另一层安全。智能安全保护功能应根据驾驶策略调整激活条件，以避免不必要的干预并提高车辆安全性。提出了一种驾驶策略自适应安全防护系统的设计方案，包括避碰策略和激活函数。避碰策略是在一个强化学习框架中设计的，通过蒙特卡罗树搜索（MCTS）获得。它可以从过去的碰撞中学习，并在随机交通中操纵制动和转向。驾驶策略自适应激活函数应动态评估当前驾驶策略风险，并在检测到紧急威胁时启动。为了生成这个激活函数，MCTS的探索和推出模块被设计成全面评估AV的当前驾驶策略，然后探索其他更安全的动作。在这项研究中，DPAS验证了两个典型的高速公路驾驶政策。在随机性和攻击性的模拟交通中，通过和90，000次获得结果。结果是校准的自然驾驶数据，并表明，所提出的保障措施，减少碰撞率显着，而不引入更多的干预措施，与国家为基础的基准保障措施。总之，所提出的保障措施在随机和紧急情况下利用基于学习的方法，并对驾驶策略施加最小的影响。
2020-12-02 cs.AI cs.RO
Intrinsic Goals for Autonomous Agents: Model-Based Exploration in Virtual Zebrafish Predicts Ethological Behavior and Whole-Brain Dynamics
Neuroscience Institute, Carnegie Mellon University（卡内基梅隆大学神经科学研究所）；Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）；Machine Learning Department, Carnegie Mellon University（卡内基梅隆大学机器学习系）；IBM Thomas J. Watson Research Center, IBM Research（IBM沃森研究中心）
针对无奖励环境下探索不一致问题，提出基于模型的内在驱动力3M-Progress，通过在线世界模型与生态位先验的差异实现类动物探索，并首次仅凭内在目标预测斑马鱼全脑神经-胶质动力学，建立连接内在动机与自然行为的计算框架。
2025-10-24 cs.AI cs.LG cs.RO
Red-Team Multi-Agent Reinforcement Learning for Emergency Braking Scenario
School of Mechanical Engineering Beijing Institute of Technology Beijing, China（机械工程学院 北京理工大学 北京中国）
本文提出红队多智能体强化学习框架，通过约束图表示MDP和策略威胁区域模型让背景车辆主动干扰自动驾驶车辆，以生成安全关键场景中的边角案例并显著影响其决策安全性。
2025-07-21 cs.AI cs.LG
Advanced Longitudinal Control and Collision Avoidance for High-Risk Edge Cases in Autonomous Driving
Department of Civil and Environmental Engineering, University of Maryland（大学工程学院）
提出一种结合自适应巡航与紧急制动的深度强化学习纵向控制算法，同时考虑前后方车辆，在密集交通高风险场景中有效防止连环追尾，成功率远超标准指南。
2025-04-26 cs.AI cs.RO
Efficient Sampling-Based Maximum Entropy Inverse Reinforcement Learning with Application to Autonomous Driving
University of California, Berkeley（加州大学伯克利分校）；Shanghai Jiaotong University（上海交通大学）
在过去的几十年里，我们目睹了自动驾驶领域的重大进展。基于优化和强化学习（RL）的先进技术在解决正向问题方面变得越来越强大：给定设计的奖励/成本函数，我们应该如何优化它们并获得安全有效地与环境交互的驾驶策略。这样的进展提出了另一个同样重要的问题：\emph{what should we optimize}？我们不需要手动指定奖励函数，而是希望我们能够从真实的交通数据中提取人类驾驶员试图优化的内容，并将其分配给自动驾驶汽车，以实现人类和智能代理之间更自然和透明的交互。为了解决这个问题，本文提出了一种有效的基于采样的最大熵逆强化学习（IRL）算法。与现有的IRL算法不同，该算法通过引入一个高效的连续域轨迹采样器，在考虑驾驶员轨迹不确定性的同时，直接在连续域中学习奖励函数.我们评估所提出的算法在真实的驾驶数据，包括非交互式和交互式的场景。实验结果表明，与其他IRL算法相比，该算法具有更高的预测精度、更快的收敛速度和更好的泛化能力。
2020-06-22 cs.AI cs.LG cs.RO
FastRLAP: A System for Learning High-Speed Driving via Deep RL and Autonomous Practicing
UC Berkeley（加州大学伯克利分校）
本文提出FastRLAP系统，通过预训练表示初始化、单次低速演示提取检查点及在线RL自主练习，使真实RC车在20分钟内学会高速视觉驾驶。
2023-04-19 cs.AI cs.LG cs.RO
Audio-Driven Reinforcement Learning for Head-Orientation in Naturalistic Environments
Radboud University（拉德堡德大学）；Donders Institute（多纳德研究所）
本研究提出音频驱动的深度Q学习框架，使智能体在自然声学环境中基于立体声朝向说话者，并验证了其性能及跨混响环境的泛化局限性。
2025-01-17 cs.AI cs.SD eess.AS
Corner Case Generation and Analysis for Safety Assessment of 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）
测试和评估是开发和部署互联和自动驾驶汽车（CAV）的关键一步。为了全面评价CAV的性能，有必要在安全关键场景中测试CAV，这在自然驾驶环境中很少发生。因此，如何有目的、有系统地生成这些角点案例成为一个重要的问题。现有的研究主要集中在感知系统的对抗性样本生成方面，而决策系统的研究则相对较少，这也是本文的重点。由于CAV需要与大量的背景车辆（BV）进行长时间的交互，定义拐角情况的变量通常是高维的，这使得生成具有挑战性的问题。在本文中，提出了一个统一的框架来生成决策系统的角情况。为了解决高维性带来的挑战，基于马尔可夫决策过程对驾驶环境进行建模，并应用深度强化学习技术学习BVs的行为策略。通过学习策略，BV将更积极地与CAV进行行为和交互，从而导致更多的角落情况。为了进一步分析生成的角点情况，利用特征提取和聚类技术。通过选择每个聚类的代表性案例和离群值，可以从所有生成的角点案例中识别出有价值的角点案例。高速公路驾驶环境的仿真结果表明，所提出的方法可以有效地产生和识别有价值的角点情况。
2021-02-06 cs.AI cs.LG cs.RO
SaFeR: Safety-Critical Scenario Generation for Autonomous Driving Test via Feasibility-Constrained Token Resampling
School of Traffic and Transportation, Harbin Institute of Technology（哈尔滨工业大学交通学院）；Chongqing Research Institute of HIT（哈尔滨工业大学重庆研究所）；Chongqing Changan Automobile Company Ltd（重庆长安汽车有限公司）
SaFeR通过可行性约束的令牌重采样生成安全关键场景，提升自动驾驶测试的对抗性和现实性
2026-03-04 cs.AI cs.RO
Autonomous Reinforcement Learning: Formalism and Benchmarking
Stanford University（斯坦福大学）；Google Brain（谷歌大脑）；University of California, Berkeley（加州大学伯克利分校）
强化学习（RL）为通过试错进行学习提供了一个自然主义的框架，这是很有吸引力的，因为它的简单性和有效性，也因为它与人类和动物通过经验获得技能的方式相似。然而，现实世界的具身学习，例如人类和动物所进行的学习，位于一个连续的、非情景的世界中，而RL中的常见基准任务是情景的，在试验之间环境会重置，为代理提供多次尝试。当试图将为情景模拟环境开发的RL算法应用于真实世界的平台（如机器人）时，这种差异带来了一个重大挑战。在本文中，我们的目标是通过为自主强化学习（ARL）制定一个框架来解决这种差异：强化学习，其中智能体不仅通过自己的经验学习，而且还需要在缺乏人类监督的情况下在试验之间进行重置。我们介绍了一个模拟基准EARL围绕这个框架，包含一组不同的和具有挑战性的模拟任务，反映了学习的障碍时，只有一个最小的依赖于外部干预可以假设。我们表明，标准的方法，情节RL和现有的方法斗争的干预措施最小化，强调需要开发新的算法，强化学习更注重自主性。
2022-08-08 cs.LG cs.RO
(Re)$^2$H2O: Autonomous Driving Scenario Generation via Reversely Regularized Hybrid Offline-and-Online Reinforcement Learning
Tsinghua University（清华大学）；Beijing National Research Center for Information Science and Technology（北京信息科学与技术国家研究中心）
针对自动驾驶测试场景生成需求，提出(Re)$^2$H2O反向正则化混合离线-在线强化学习方法，结合真实与仿真数据优势，生成更多样且具对抗性的高风险场景，可泛化多模型并用于AV性能微调。
2023-06-10 cs.AI cs.LG
TrajGen: Generating Realistic and Diverse Trajectories with Reactive and Feasible Agent Behaviors for Autonomous Driving
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）；University of Science and Technology Beijing（北京科技大学）；Baidu Inc.（百度公司）
具有反应性和可行性代理行为的真实和多样化的仿真场景可用于自动驾驶系统性能的验证和验证，而无需依赖昂贵且耗时的真实世界测试。现有的模拟器依赖于基于抽象的背景车辆行为模型，无法捕捉真实场景中复杂的交互行为。为了弥合仿真和现实世界之间的差距，我们提出了TrajGen，一个两阶段的轨迹生成框架，它可以直接从人类演示捕获更真实的行为。特别是，TrajGen由多模态轨迹预测阶段和基于强化学习的轨迹修改阶段组成。在第一阶段，我们提出了一种新的辅助RouteLoss的轨迹预测模型，以产生多模态的不同轨迹在可驾驶区域。在第二阶段，使用强化学习来跟踪预测轨迹，同时避免碰撞，这可以提高生成轨迹的可行性。此外，我们开发了一个数据驱动的模拟器I-Sim，可用于并行训练强化学习模型的基础上自然驾驶数据。I-Sim中的车辆模型可以保证TrajGen生成的轨迹满足车辆运动学约束。最后，我们给出了全面的指标来评估模拟场景中生成的轨迹，这表明TrajGen在保真度，反应性，可行性和多样性方面优于轨迹预测或逆强化学习。
2022-03-31 cs.AI cs.RO
NeurIPS 2022 Competition: Driving SMARTS
驾驶智能是一项定期的比赛，旨在解决现实世界自动驾驶（AD）中普遍存在的动态交互环境中的分布偏移所引起的问题。拟议的比赛支持方法上的不同解决方案，如强化学习（RL）和离线学习方法，在自然AD数据和开源模拟平台SMARTS的组合上进行训练。双轨结构允许关注分布偏移的不同方面。轨道1对任何方法都是开放的，将为具有不同背景的机器学习研究人员提供解决现实世界自动驾驶挑战的机会。轨道2是专为严格的离线学习方法。因此，可以在不同方法之间进行直接比较，以确定新的有前途的研究方向。建议的设置包括：1）使用真实世界数据和微模拟器生成的真实流量，以确保场景的逼真度，2）容纳解决问题的各种方法的框架，以及3）基线方法。因此，它提供了一个独特的机会，对自动驾驶汽车部署的各个方面进行原则性调查。
2022-11-14 cs.CV cs.LG cs.RO
Sim-to-reality adaptation for Deep Reinforcement Learning applied to an underwater docking application
本文提出利用高保真数字双胞胎环境和PPO算法，开发了用于水下对接的深度强化学习控制器，通过仿真到现实适应提升了对接成功率，并在物理测试中验证了其有效性。
2026-03-12 cs.AI cs.RO
MPCFormer: A physics-informed data-driven approach for explainable socially-aware autonomous driving
MPCFormer通过融合物理信息和数据驱动的方法，提升自主驾驶在复杂交通场景中的社交交互能力，实现更安全的人类行为模拟，实验显示其在轨迹预测和碰撞率控制方面表现优异。
2026-08-25 cs.AI cs.RO
Cross-cultural Deployment of Autonomous Vehicles Using Data-light Inverse Reinforcement Learning
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The Hong Kong University of Science and Technology（香港科技大学）；Beijing Institute of Technology（北京理工大学）
针对自动驾驶车辆跨文化部署中欠发达地区本地数据不足的问题，提出数据轻量化逆强化学习方案，通过三国家自然驾驶数据对比验证，可大幅降低数据依赖，助力公平的全球市场发展。
2025-04-18 cs.LG cs.RO
An NCAP-like Safety Indicator for Self-Driving Cars
Australian National University（澳大利亚国立大学）
本文提出了一种评估自动驾驶汽车安全性的机制。它评估汽车在必须避免与对手碰撞的情况下的安全性。该机制的核心是一个安全措施，称为安全神风距离（SKD），它计算安全对手的轨迹集和接近安全轨迹的神风轨迹之间的平均相似度。神风特攻队的轨迹生成的基础上规划下的不确定性技术，即部分可观察马尔可夫决策过程，占部分观察到的汽车政策的角度来看，对手。我们发现，SKD是成反比的概率上的上限，一个小的变形改变一个碰撞的对手的无碰撞的轨迹。我们对一个场景进行了系统的测试，其中对手是一个行人在被评估的汽车前面穿过单车道道路-这是Euro-NCAP的弱势道路使用者（VRU）自动紧急制动测试中的场景之一。使用基本控制器评估汽车的仿真结果以及使用高保真模拟器对机器学习控制器进行的测试表明，SKD在测量自动驾驶汽车安全性方面取得了可喜的成果。此外，每个模拟测试所需的时间不到11秒，因此在四核桌面上生成的模拟数据可以在不到25分钟的时间内计算出SKD。
2021-04-02 cs.AI cs.RO
SECRM-2D: RL-Based Efficient and Comfortable Route-Following Autonomous Driving with Analytic Safety Guarantees
University of Toronto（多伦多大学）；Arab Academy for Science and Technology（阿拉伯科学技术学院）
提出基于强化学习的自动驾驶控制器SECRM-2D，在解析安全约束下平衡效率与舒适度并遵循固定路径，在训练和测试中均成功避免碰撞且优于基线。
2024-07-23 cs.LG cs.RO stat.ML
InterHub: A Naturalistic Trajectory Dataset with Dense Interaction for Autonomous Driving
Tongji University（同济大学）；Beijing Institute of Technology（北京理工大学）；School of Automotive Studies, Tongji University（同济大学汽车学院）
针对真实驾驶数据中交互事件稀疏的问题，本文提出 InterHub 数据集，利用形式化方法从自然驾驶记录中提取多智能体密集交互轨迹，并提供可扩展工具包以支持自动驾驶评估与研究。
2024-11-30 cs.RO
Human-Like Autonomous Car-Following Model with Deep Reinforcement Learning
Key Laboratory of Road and Traffic Engineering, Ministry of Education（教育部道路与交通工程重点实验室）；School of Transportation Engineering, Tongji University（同济大学交通运输工程学院）；Department of Civil and Environmental Engineering, University of Washington（华盛顿大学土木与环境工程系）
提出了一种基于深度强化学习（deep RL）的类人自主跟驰规划框架。历史驾驶数据被馈送到仿真环境中，在该仿真环境中，RL代理基于奖励函数从试错交互中学习，该奖励函数指示代理偏离经验数据的程度。通过这些相互作用，一个最佳的政策，或汽车跟随模型，映射在一个类似人类的方式从速度，领先和跟随车辆之间的相对速度，和车辆间的间距，以加速度的跟随车辆最终获得。当更多的数据输入时，模型可以不断更新。从2015年上海自然驾驶研究中提取的2000个跟驰周期用于训练模型，并将其性能与传统和最新的数据驱动的跟驰模型进行比较。如本研究结果所示，以模拟速度和观测速度的差异作为奖励函数，考虑1 s的反应延迟的深度确定性策略梯度跟车模型（DDPGvRT），可以比传统的和最近的数据驱动的跟车模型更准确地再现类似人类的跟车行为。具体地，DDPGvRT模型具有18%的间距验证误差和5%的速度验证误差，其小于其他模型，包括智能驾驶员模型、基于局部加权回归的模型和基于常规神经网络的模型。此外，DDPGvRT表现出良好的泛化能力，以各种驾驶情况，并可以适应不同的驾驶员通过不断学习。这项研究表明，强化学习方法可以提供对驾驶员行为的洞察，并有助于开发类似人类的自动驾驶算法和交通流模型。
2019-01-03 cs.AI cs.LG stat.ML
Learning from Naturalistic Driving Data for Human-like Autonomous Highway Driving
Peking University（北京大学）；Groupe PSA（标致雪铁龙集团）
以类似人类的方式驾驶对于自动驾驶汽车成为智能和可预测的交通参与者至关重要。为了实现这一目标，运动规划模块的参数应该被仔细地调整，这需要很大的努力和专业知识。在这项研究中，提出了一种从自然驾驶数据中学习运动规划器成本参数的方法。通过鼓励所选择的轨迹在相同的交通状况下接近人类驾驶轨迹来实现学习。所采用的运动规划器遵循一种被广泛接受的方法，即首先在轨迹空间中对候选轨迹进行采样，然后选择具有最小成本的候选轨迹作为规划轨迹。此外，除了传统的因素，如舒适性，效率和安全性，成本函数提出了纳入激励的行为决策，如人类驾驶员，使两个车道变换决策和运动规划耦合到一个框架。两种类型的车道激励成本-启发式和学习为基础的-提出并实施。为了验证所提出的方法的有效性，开发了一个数据集，通过使用自然的轨迹数据的人类驾驶员在北京的高速公路上收集，包含样本的车道变换到左，右车道，和汽车跟随。针对车道变换决策和运动规划两个方面进行了实验，取得了较好的效果。
2020-05-23 cs.CV cs.LG cs.RO
ScenePilot: Controllable Boundary-Driven Critical Scenario Generation for Autonomous Driving
State Key Laboratory of Internet of Things for Smart City (SKL-IOTSC), University of Macau, Macau, China（智能城市物联网国家重点实验室（SKL-IOTSC）、澳门大学、中国澳门）；Faculty of Science and Technology, University of Macau, Macau, China（澳门大学科技学院）
提出ScenePilot框架，通过结合RSS物理可行性评分与在线学习的AV风险预测器，将场景生成建模为约束多目标强化学习，并引入步级可行性感知屏蔽，以生成物理上可解但导致自动驾驶系统失败的关键场景。
2026-05-29 cs.AI
Obstacle detection test in real-word traffic contexts for the purposes of motorcycle autonomous emergency braking (MAEB)
University of Florence（佛罗伦萨大学）
研究表明，摩托车自动紧急制动系统（MAEB）可以影响25%的涉及动力两轮车（PTW）的碰撞。通过在不可避免的碰撞场景中自动降低高达10 km/h的主机PTW，MAEB可能会减轻车手的碰撞严重程度。通过在受控环境下的现场试验，证明了摩托车自动减速的可行性。然而，在实际交通环境中正确的MAEB触发的可行性仍然不清楚。特别是，MAEB需要准确的障碍物检测，从一个单一的轨道车辆的可行性尚未得到证实。为了解决这个问题，我们的研究提出了障碍物检测测试在现实世界中的MAEB敏感的碰撞场景。
2017-10-02 cs.CV cs.RO
Pedestrian Emergency Braking in Ten Weeks
University of California, Santa Barbara（加州大学圣巴巴拉分校）；University of Nevada, Las Vegas（内华达大学拉斯维加斯分校）
在过去的十年中，自动驾驶汽车领域的研究有了很大的发展，研究人员有大量的信息可以快速建立一个用于基本机动的自动驾驶汽车平台。在本文中，我们设计，实施，并测试，在十个星期内，PD的方法来纵向控制行人紧急制动。我们还提出了一个横向控制器，具有类似的设计，为未来的测试在车道以下。使用广泛可用的工具，我们证明了车辆在行人紧急制动情况下的安全性。
2022-10-21 cs.RO
Distributionally Consistent Simulation of Naturalistic Driving Environment for Autonomous Vehicle Testing
University of Michigan（密歇根大学）；University of Michigan Transportation Research Institute（密歇根大学交通研究所）
微观交通仿真为自动驾驶汽车（AV）提供了一个可控、可重复和高效的测试环境。为了无偏地评价无人驾驶汽车的安全性能，模拟自然驾驶环境（NDE）中的环境统计量的概率分布需要与真实驾驶环境中的环境统计量的概率分布一致。然而，尽管人类驾驶行为在交通工程领域已经得到了广泛的研究，但现有的大多数模型都是针对交通流分析而开发的，没有考虑驾驶行为的分布一致性，这可能会导致严重的评价偏差。为了填补这一研究空白，本文提出了一个分布式一致性无损检测建模框架。利用大规模的自然驾驶数据，获得经验分布，构建不同条件下的随机人类驾驶行为模型。为了解决仿真过程中的误差积累问题，进一步设计了一种基于优化的方法来细化经验行为模型。具体而言，车辆状态的演变被建模为马尔可夫链，其平稳分布被扭曲，以匹配来自现实世界的驾驶环境的分布。在多车道高速公路驾驶模拟的案例研究中，该框架进行了评估，其中所生成的NDE的分布精度进行了验证，并有效地评估了AV模型的安全性能。
2022-07-02 cs.RO cs.SY eess.SY
Improving Functional Reliability of Near-Field Monitoring for Emergency Braking in Autonomous Vehicles
Department of Electrical and Computer Engineering, University of the Bundeswehr Munich（电气与计算机工程系，联邦国防军大学米兰（慕尼黑））
针对自动驾驶近场监测误报问题，提出基于动态空间属性、物体尺寸和运动感知预测的三种策略，并在仿真中验证其显著提升紧急制动近场监测可靠性。
2025-07-21 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
Modelling Pedestrian Behaviour in Autonomous Vehicle Encounters Using Naturalistic Dataset
IEEE Intelligent Vehicles Symposium (IV)（IEEE智能车辆会议）
本研究利用NuScenes数据集，通过混合模型分析行人与自动驾驶车辆相遇时的行为，发现风险感知和运动效率影响行人运动调整。
2026-02-09 cs.RO physics.soc-ph
Autonomous Driving with a Deep Dual-Model Solution for Steering and Braking Control
University of Zagreb Faculty of Electrical Engineering and Computing（萨格勒布大学电气工程与计算机科学学院）
提出结合 PilotNet 与 MobileNet SSD 的双模型方案控制转向和制动，并通过原创网络设计压缩 PilotNet，在保持性能的同时降低资源需求。
2024-05-10 cs.CV cs.RO
Co-Design of Out-of-Distribution Detectors for Autonomous Emergency Braking Systems
Nanyang Technological University（南洋理工大学）
针对自动驾驶紧急制动系统中学习组件因分布外样本而误决策的问题，提出一种基于风险模型的协同设计方法，优化OOD检测器与LEC参数，在保持资源利用率的同时实现42.3%的风险降低。
2023-07-25 cs.LG cs.RO cs.SY
A Data-Driven Slip Estimation Approach for Effective Braking Control under Varying Road Conditions
University of Perugia（佩鲁贾大学）
机器人平台制动控制系统的性能，例如，辅助和自主车辆、飞机和无人机在机动过程中受到道路轮胎摩擦的深刻影响。因此，准确的估计算法的可用性是非常重要的先进控制方案的发展。本文的重点是估计问题。特别是，提出了一种新的估计算法，基于多层神经网络。训练基于从广泛使用的摩擦模型导出的合成数据集。所提出的算法的开环性能进行了评估，在一些模拟的情况下。此外，不同的控制方案被用来测试闭环的情况下，估计的最佳滑差被用作设定点。实验结果和与基于模型的基线的比较表明，该方法可以提供一个有效的最佳滑移估计。
2022-11-04 cs.AI cs.RO
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
Integrating Naturalistic Insights in Objective Multi-Vehicle Safety Framework
Johannes Kepler University Linz（约翰内斯·开普勒大学林茨分校）
本文提出一个整合客观安全指标与主观感知的多车辆安全评估框架，在高速跟车场景中利用自然驾驶数据验证，综合多指标及全周围车辆信息时性能卓越。
2025-03-27 cs.RO
Predictive Braking on a Nonplanar Road
Brembo（布雷博）；Brembo Inspiration Lab（布雷博灵感实验室）
提出一种在非平面道路上对四轮车辆进行预测性制动的方法，通过考虑摩擦力与道路接触安全性开发主动安全系统，预先降低车速以应对如反向倾斜弯道等路况，有效缓解驾驶员错误导致的失控。
2024-06-03 cs.RO
Generating Socially Acceptable Perturbations for Efficient Evaluation of Autonomous Vehicles
University of Michigan（密歇根大学）；Ford Motor Company（福特汽车公司）
近年来，深度强化学习方法已被广泛用于自动驾驶汽车的决策。一个关键问题是，深度神经网络对于对抗性攻击或其他看不见的输入可能很脆弱。在本文中，我们解决了后一个问题：我们专注于生成社会可接受的扰动（SAP），使自主车辆（AV代理），而不是具有挑战性的车辆（攻击者），是主要负责崩溃。在我们的过程中，一个攻击者被添加到环境中，并通过深度强化学习进行训练，以生成所需的扰动。奖励被设计成使得攻击者的目标是以社会可接受的方式使AV代理失败。在训练攻击者之后，在原始自然环境和有一个攻击者的环境中评估代理策略。结果表明，在自然环境中安全的智能体策略在扰动环境中会发生大量的崩溃。
2020-03-18 cs.RO cs.SY eess.SY
A behavior driven approach for sampling rare event situations for autonomous vehicles
University of Waterloo（滑铁卢大学）
本文提出了一种基于有限理性理论的行为驱动方法，用于自主车辆在罕见事件场景下的采样与预测。
2019-03-04 cs.MA cs.RO cs.SY
A Novel Traffic Simulation Framework for Testing Autonomous Vehicles Using SUMO and CARLA
University of Michigan Transportation Research Institute（密歇根大学交通研究所）
交通仿真是在复杂的动态环境中测试自动驾驶汽车（AVs）的一种有效且经济的方法。在过去的几十年里，已经进行了大量的研究，使用交通模拟的AV评估。然而，目前的仿真环境在两个方面落后-背景车辆（BV）无法模拟自然的驾驶行为，现有的环境没有以模块化的方式测试整个管道。本研究的目的是提出一个模拟框架，创造一个复杂的和自然的交通环境。具体来说，我们结合了修改后的版本的模拟城市移动性（SUMO）模拟器与汽车学习行动（CARLA）模拟器生成一个模拟环境，可以模拟外部环境的复杂性，同时提供现实的传感器输出到AV管道。在过去的研究工作中，我们创建了一个名为SUMO-Gym的开源Python包，它通过SUMO生成了一个逼真的道路网络和自然的交通，并将其与OpenAI Gym相结合，为最终用户提供易用性。我们建议通过添加CARLA来扩展我们开发的软件，这反过来又将通过提供AVs周围环境的逼真传感器输出来丰富自我车辆的感知。使用所提出的框架，自动驾驶汽车的感知，规划和控制可以在一个复杂的和现实的驾驶环境进行测试。使用几个案例研究表明，在构建输出生成和AV评价所提出的框架的性能。
2021-10-14 cs.RO cs.SY eess.SY
Can the Waymo Open Motion Dataset Support Realistic Behavioral Modeling? A Validation Study with Naturalistic Trajectories
Department of Civil and Environmental Engineering, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校土木与环境工程系）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Northwestern University Transportation Center（西北大学交通中心）；George Washington University（乔治·华盛顿大学）
本研究通过对比自然主义数据与Waymo数据集，发现其无法准确反映真实自动驾驶行为，需谨慎使用。
2026-01-19 cs.AI cs.LG cs.RO
V2V-based Collision-avoidance Decision Strategy for Autonomous Vehicles Interacting with Fully Occluded Pedestrians at Midblock on Multilane Roadways
Clemson University（克莱姆森大学）；Nan Ya Plastics Co. America（南亚塑胶美国公司）；TSMC（台积电）；Arcadis Inc.（凯谛思公司）
行人遮挡对于多车道道路上的中间街区位置的自动驾驶车辆（AV）来说是具有挑战性的，因为AV无法检测到被相邻车道中的下游车辆完全遮挡的行人。本文测试了AV和其下游车辆之间的车辆对车辆（V2V）通信的能力，以共享中间街区行人过街信息。研究人员开发了一种基于V2V的碰撞避免决策策略，并将其与基本场景（即，不使用V2V的决策策略）。仿真结果表明，对于基本场景，接近零的碰撞时间（TTC）表明没有时间让AV采取适当的行动，并导致戏剧性的制动后发生碰撞。但基于V2V的防撞决策策略允许采用比例制动方法来增加TTC，从而使行人能够安全通过。综上所述，基于V2V的防撞决策策略具有更高的安全效益的AV互动与完全闭塞的行人在多车道道路上的中间块位置。
2023-03-23 cs.RO cs.SY eess.SY
Driving Behavior Modeling using Naturalistic Human Driving Data with Inverse Reinforcement Learning
Nanyang Technological University（南洋理工大学）
驾驶行为建模对于设计安全、智能、个性化的自动驾驶系统具有重要意义。在本文中，内部奖励功能为基础的驱动模型，模仿人类的决策机制。为了从自然的人类驾驶数据中推断出奖励函数参数，我们提出了一个关于人类驾驶行为的结构性假设，该假设侧重于离散的潜在驾驶意图。它将连续行为建模问题转化为离散设置，从而使最大熵逆强化学习（IRL）易于学习奖励函数。具体而言，多项式轨迹采样器被用来生成考虑高层意图的候选轨迹，并在最大熵IRL框架中近似分区函数。建立了一个考虑自我与周围车辆交互行为的环境模型，以更好地估计生成的轨迹。所提出的方法适用于学习个性化的奖励功能，为个人的人类司机从NGSIM公路驾驶数据集。定性结果表明，学习的奖励函数能够明确地表达不同的司机的偏好，并解释他们的决定。定量结果表明，学习的奖励函数是强大的，这是表现为只有一个边际下降接近人类驾驶轨迹时，应用奖励函数在测试条件。对于测试性能，个性化建模方法优于一般建模方法，显著降低了人类相似性（衡量准确性的自定义度量）的建模误差，并且与其他基线方法相比，这两种方法提供了更好的结果。
2021-07-20 cs.RO
N3P: Accelerated Automated Parking via a Learning-Based Naturalistic Three-Stage Scheme
Honda Research Institute (HRI)（本田研究院）；University of Pennsylvania（宾夕法尼亚大学）
本文提出N3P，一种基于学习的三阶段框架，用于自动泊车，通过引入中间预备姿态和学习模块预测该姿态，将泊车操作分解为更简单的子问题，从而降低计算复杂度并加速路径生成，实验表明其在垂直和平行泊车场景中显著提升了规划速度，并在成功率和轨迹质量上优于强化学习基线。
2026-05-21 cs.RO cs.SY eess.SY
A Comprehensive LLM-powered Framework for Driving Intelligence Evaluation
Institute for AI Industry Research, Tsinghua University（清华大学人工智能产业研究院）
本文提出一个LLM驱动的驾驶智能评估框架，通过自然驾驶实验和访谈构建自然语言评估数据集，并在CARLA模拟器中验证其有效性，为设计更类人的自动驾驶智能体提供依据。
2025-03-07 cs.AI cs.RO
Timed Rule-Based Supervision of an End-to-End Autonomous Parking Policy
本研究提出定时规则监督的PSS，干预端到端泊车策略的故障模式，在CARLA模拟中成功率从85.16%提升至97.66%。
2026-09-29 cs.AI cs.RO
Are All Data Necessary? Efficient Data Pruning for Large-scale Autonomous Driving Dataset via Trajectory Entropy Maximization
本文提出通过轨迹熵最大化实现自动驾驶数据集的高效数据修剪，减少数据量的同时保持模型性能。
2025-12-22 cs.RO
A Minimal Model for Emergent Collective Behaviors in Autonomous Robotic Multi-Agent Systems
Department of Cybernetics, Czech Technical University in Prague（控制论系，布拉格捷克技术大学）
本文提出一个最小模型，利用相对位置、速度、局部密度及两个可调参数控制智能体动力学，实现无碰撞且灵活的集体行为，并扩展至认知自主系统以实现能量感知相变，为多机器人系统提供稳健基础。
2025-08-13 cs.MA cs.RO
Test Against High-Dimensional Uncertainties: Accelerated Evaluation of Autonomous Vehicles with Deep Importance Sampling
Carnegie Mellon University（卡内基梅隆大学）；Columbia University（哥伦比亚大学）；Tongji University（同济大学）；University of Illinois Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校）
在自然环境下高精度地评估自动驾驶汽车（AV）及其复杂子系统的性能仍然是一个挑战，特别是在故障或危险情况很少的情况下。稀有性不仅需要巨大的样本量来实现高置信度的估计，而且还导致对真实失败率的危险低估，并且非常难以检测。同时，最先进的方法，带有正确性保证，只能计算在一定条件下的失败率的上限，这可能会限制其实际应用。在这项工作中，我们提出了深度重要性采样（深度IS）框架，该框架利用深度神经网络来获得与最新技术水平相当的有效IS，能够将所需的样本量减少到原始采样方法的43倍，以实现10%的相对误差，同时产生保守性更低的估计。我们的高维实验估计了一个最先进的交通标志分类器的误分类率，进一步表明即使目标非常小，这种效率仍然成立，实现了超过600倍的效率提升。这突出了深度IS在提供精确估计方面的潜力，即使是针对高维不确定性。
2022-04-06 cs.LG cs.RO stat.ME
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
GENESIS-RL: GEnerating Natural Edge-cases with Systematic Integration of Safety considerations and Reinforcement Learning
Iowa State University（爱荷华州立大学）；University of Tennessee（田纳西大学）
GENESIS-RL框架结合系统级安全考量与强化学习，系统生成自然边缘案例，以严格测试自主系统安全可靠性，并在高保真模拟器中验证其有效性。
2024-09-19 cs.RO cs.SY eess.SY
The Formation of Trust in Autonomous Vehicles after Interacting with Robotaxis on Public Roads
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Cornell University（康奈尔大学）
本研究在真实Robotaxi运营区开展实验，发现行人与4级自动驾驶汽车交互后信任度显著提升，且受接受度、行为特质等因素影响，弥补了实验室研究的局限。
2025-09-30 cs.HC cs.RO
Learning the Pareto Space of Multi-Objective Autonomous Driving: A Modular, Data-Driven Approach
Dept. of Civil \& Environmental Engineering University of Nebraska-Lincoln
本文提出了一种模块化、数据驱动的方法，通过自然轨迹数据学习多目标自动驾驶的帕累托空间，揭示了自动驾驶车辆在现实世界中的性能权衡与优化潜力。
2026-01-26 cs.MA 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
An Empirical Testing of Autonomous Vehicle Simulator System for Urban Driving
Swinburne University of Technology（斯威本科技大学）
安全是禁止自动驾驶汽车（AV）的主要挑战之一，要求它们在允许上路之前进行良好的测试。与道路试验相比，模拟器使我们能够方便和经济地验证AV。然而，目前还不清楚如何最好地使用基于AV的模拟器系统进行有效的测试。本文介绍了一种结合SVL模拟器和Apollo平台的AV模拟器系统的实证测试。我们提出了576个测试案例，这些案例的灵感来自于行人和周围汽车的四种自然驾驶情况。我们发现SVL可以模拟现实的安全和碰撞情况;同时，Apollo可以非常安全地驾驶汽车。另一方面，我们注意到该系统在四个类别中的三个类别中未能检测到道路上的行人或车辆，占测试场景总数的10.0%。我们进一步应用变形测试来识别系统中的不一致性，并增加了486个测试用例。然后，我们讨论了在现实生活中可能导致危险情况的场景的一些见解。总之，本文提供了一个新的经验证据，以加强断言，基于模拟器的系统可以是一个不可或缺的工具，全面测试的AV。
2021-09-10 cs.RO cs.SE
A Roadside Unit for Infrastructure Assisted Intersection Control of Autonomous Vehicles
Old Dominion University（奥多明尼昂大学）；The Ohio State University（俄亥俄州立大学）；North Carolina A&T State University（北卡罗来纳农工州立大学）；Butler University（巴特勒大学）；New Mexico State University（新墨西哥州立大学）；University of Minnesota（明尼苏达大学）；The University of Arizona（亚利桑那大学）；Lawrence Technological University（劳伦斯理工大学）；Michigan State University（密歇根州立大学）
本研究提出一种基于V2X通信和路侧单元（RSU）的经济高效的基础设施辅助交叉口控制架构，通过模拟与真实4向交叉口场景验证，将交叉口处的加速和制动减少高达75.35%，有效提升道路安全并降低燃油消耗。
2025-03-04 cs.RO
