CauTraj: A Causal-Knowledge-Guided Framework for Lane-Changing Trajectory Planning of Autonomous Vehicles
Chongqing Jiaotong University（重庆交通大学）；Tongji University（同济大学）
CauTraj通过整合因果知识提升自动驾驶车辆车道变换轨迹规划的精度与稳定性。
2025-12-21 cs.AI cs.RO
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
Pareto-optimal lane-changing motion planning in mixed traffic
Key Laboratory of Road and Traffic Engineering of the Ministry of Education, Tongji University（同济大学道路与交通工程教育部重点实验室）
本文将Pareto最优概念应用于混合交通换道规划，通过NSGA-II算法求解多目标优化问题，实验证明该方法能显著降低换道影响，总成本降低10.94%至48.66%。
2023-04-04 cs.RO
Mapless Navigation of a Hybrid Aerial Underwater Vehicle with Deep Reinforcement Learning Through Environmental Generalization
Universidad Tecnológica del Uruguay (UTEC)（乌拉圭技术大学）；Centro de Ciências Computacionais (C3) of Universidade Federal do Rio Grande (FURG)（里奥格兰德联邦大学计算科学中心）；Universidade Federal de Santa Maria (UFSM)（圣玛丽亚联邦大学）
以前的工作表明，Deep-RL可以应用于执行无地图导航，包括混合无人机水下航行器（HUAUVs）的中间过渡。本文提出了新的方法的基础上，国家的最先进的演员-评论家算法，以解决导航和介质过渡问题的HUAUV。我们表明，具有递归神经网络的双批评深度RL仅使用距离数据和相对定位来提高HUAUV的导航性能。我们的Deep-RL方法通过不同的模拟场景实现了更好的导航和转换功能，并通过扎实的学习泛化，优于以前的方法。
2022-09-13 cs.AI cs.RO
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
Exploration of lane-changing duration for heavy vehicles and passenger cars: a survival analysis approach
Tongji University（同济大学）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
车道变换（LC）行为描述了车辆在前进时从当前车道到目标车道的横向移动。在众多的研究方向中，LC持续时间（LCD）度量车辆从当前车道行驶到目标车道所花费的总时间，是表征LC行为不可或缺的指标。虽然现有的研究已经取得了一定的成果，但对重型汽车液晶显示器的研究较少。因此，本文旨在进一步探讨重型汽车和客车之间的液晶显示器。LC轨迹是从新发布的HighD数据集中提取的，该数据集包含16.5小时的测量和超过11，000辆汽车。估算了液晶显示器的生存函数，分析了其特性。随后，引入加速失效时间模型来探讨影响因素。结果表明，客车和重型车的MST值分别为5.51s和6.08s。重型车辆在执行LC时，与前车保持较长的时距和时距。然而，这两个因素并没有显着影响重型车辆的液晶显示器。最后，对结果和建模意义进行了讨论。希望本文的研究能为我们进一步了解重型汽车和乘用车的LC行为做出贡献。
2021-08-08 cs.PF cs.RO cs.SY
Hierarchical automatic lane-changing motion planning: from self-optimum to local-optimum
Tongji University（同济大学）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
为了最大限度地减少变道操作对周围交通环境的影响，提出了一种可实现局部最优的分层变道自动算法。该算法由战术层规划器和作战层控制器组成。前者生成局部最优轨迹。优化目标函数同时满足LC车辆及其周边车辆的舒适性、效率性和安全性。后者是基于车辆运动学模型和模型预测控制（MPC）设计的，以最小化跟踪误差和控制增量为目标。结合宏观和微观两个层面的分析，验证了该算法的有效性。实验结果表明，该算法可以有效地降低LC机动对交通流的影响。这反映在附近车辆的总损失（例如不适和减速）减少，以及LC区域内的交通速度和吞吐量增加。此外，为了指导算法的实际应用，我们使用HighD数据集来验证算法。本研究也可作为开发局部最优自动LC算法的初步基础工作。我们预计，这项研究可以为自动驾驶技术提供有价值的见解。
2021-08-08 cs.RO
Electric Vehicle Automatic Charging System Based on Vision-force Fusion
电动汽车是一种新兴的环保交通工具。自动充电是这一充满挑战的领域中的一个热门话题。介绍了一个完整的基于视觉-力觉融合的自动充电系统，包括系统中机器人操作的感知、规划和控制。我们在仿真中设计了整个系统，并将其转移到现实世界。实验结果证明了该系统的有效性。
2021-10-18 cs.RO
Planning and Perception for Unmanned Aerial Vehicles in Object and Environmental Monitoring
本论文针对无人机在物体与环境监测中的规划与感知问题，提出了基于深度学习形状预测的物体视觉覆盖优化、多无人机路径规划，以及面向基础设施检查和野火管理的环境监测算法，并通过实验验证了其有效性。
2024-07-17 cs.RO
Data-Driven Learning and Planning for Environmental Sampling
University of Southern California（南加利福尼亚大学）；Indiana University（印第安纳大学）
诸如自主水下航行器（AUV）和自主水面航行器（ASV）的机器人已经用于感测和监测诸如海洋和湖泊的水生环境。环境采样是一项具有挑战性的任务，因为要观察的环境属性可以在空间和时间上变化，并且目标环境通常是一个大的连续域，而采样数据通常是稀疏和有限的。这些挑战要求采样方法必须提供足够的信息和效率，以赶上环境动态。在本文中，我们提出了一种规划和学习方法，使采样机器人进行持久的监测任务，通过学习和完善的动态“数据地图”，模拟时空环境属性，如海洋盐度含量。我们的环境采样框架包括两个部分：为了最大限度地收集信息，我们提出了一个信息规划组件，有效地产生采样航路点，包含最大的信息;为了缓解大规模数据积累带来的计算瓶颈，我们开发了一个基于稀疏高斯过程的组件，该组件的超参数是通过仅利用提供以下信息的数据子集在线学习的：最大的贡献。我们验证我们的方法与模拟运行在真实的海洋数据和现场试验ASV在湖泊环境中。实验结果表明，该框架既能准确地学习环境数据地图，又能有效地跟踪环境的动态变化。
2018-03-28 cs.RO
White paper on Selected Environmental Parameters affecting Autonomous Vehicle (AV) Sensors
本研究探讨了环境参数对AV的LiDAR和摄像头性能的影响，通过实验识别LiDAR的弱点，为新加坡AV监管机构制定测试标准以更稳健地评估本地LiDAR系统提供依据。
2023-09-06 cs.RO eess.SP
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
Active Tracking of Marine Pollution Sources: An Uncertainty-Aware Categorical Bayesian Framework for Unmanned Surface Vehicles
University College London（伦敦大学学院）
研究利用无人水面舰艇主动跟踪海洋污染源，提出基于贝叶斯推理的信息路径规划框架，结合CFD、Gazebo和ArduPilot进行模拟，引入最小可信区间量化不确定性，模拟显示该框架成功率达95.8%，性能优于基线方法，为自主环境监测提供基础。
2026-07-21 cs.RO
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
Deployment-friendly Lane-changing Intention Prediction Powered by Brain-inspired Spiking Neural Networks
The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））
本文提出基于类脑脉冲神经网络的换道意图预测方法，利用事件驱动编码车辆状态，在HighD和NGSIM上以可比精度将训练时间降低75%、内存占用降低99.9%，显著提升部署效率。
2025-05-08 cs.RO
Raci-Net: Ego-vehicle Odometry Estimation in Adverse Weather Conditions
Politecnico di Milano（米兰理工大学）；Michigan State University（密歇根州立大学）
提出Raci-Net，一种融合视觉、惯性和毫米波雷达数据的深度学习运动估计器，通过动态调整传感器贡献来提升恶劣天气下的里程计估计精度与鲁棒性。
2025-07-14 cs.RO
Safety-driven Interactive Planning for Neural Network-based Lane Changing
Northwestern University（西北大学）
基于神经网络的驾驶规划器在提高自动驾驶的任务性能方面显示出巨大的前景。然而，确保具有基于神经网络的组件的系统的安全性是至关重要的，但也是非常具有挑战性的，特别是在密集和高度交互的交通环境中。在这项工作中，我们提出了一个安全驱动的交互式规划框架的神经网络为基础的车道变换。为了防止过于保守的规划，我们识别周围车辆的驾驶行为，并评估其侵略性，然后以交互的方式相应地调整自我车辆的规划轨迹。如果即使在预测的最坏情况下也存在安全规避轨迹，则自我车辆可以继续改变车道;否则，它可以停留在当前横向位置附近或返回到原始车道。我们定量地展示了我们的规划设计的有效性及其优势，通过广泛的模拟与不同的和全面的实验设置，以及在现实世界中收集的自动驾驶汽车公司的情况下，基线方法。
2022-09-18 cs.RO cs.SY eess.SY
Enhanced Behavioral Cloning with Environmental Losses for Self-Driving Vehicles
Renault group（雷诺集团）
学习路径规划器由于其能够模拟人类驾驶行为和快速推理的能力而引起了研究兴趣。最近的行为克隆工作表明，简单的模仿专家的意见是不足以处理复杂的驾驶场景。此外，预测在可驾驶区域之外的土地可能导致潜在的危险情况。本文提出了一组损失函数，即社会损失和道路损失，这占建模风险的社会互动路径规划。这些损失就像一个排斥标量场，包围着不可驾驶的区域。落在这些区域附近的预测会导致更高的训练成本，这是使用反向传播最小化。这种方法为传统的监督学习设置提供了额外的环境反馈。我们在一个大规模的城市驾驶数据集上验证了这种方法。结果表明，智能体学习模仿人类驾驶，同时表现出更好的安全指标。此外，所提出的方法具有积极的影响，推理，而不需要人为地产生不安全的驾驶例子。的可扩展性研究表明，所获得的好处是与一个更高的相关性，在代理的决定相比，经典的行为克隆的非驾驶领域。
2022-02-04 cs.AI cs.RO
Learning Partially Structured Environmental Dynamics for Marine Robotic Navigation
University of Southern California（南加利福尼亚大学）；HomeAway, Inc.（HomeAway公司）；Indiana University - Bloomington（印第安纳大学伯明顿分校）
我们调查的情况下，一个机器人需要达到指定的目标后，采取一系列适当的行动，在一个非静态的环境，部分结构化。一个应用示例是控制海洋车辆在海洋中移动。海洋环境是动态的，并且海浪经常导致能够干扰运载工具的运动的强烈扰动。对这种动态环境进行建模是不平凡的，并且将这种模型集成到机器人运动控制中是特别困难的。幸运的是，洋流通常会形成一些局部模式（例如漩涡），因此环境是部分结构化的。历史上观察到的数据可以用于训练机器人以学习与海洋潮汐扰动交互。在本文中，我们提出了一种应用深度强化学习框架来学习这种部分结构化的复杂扰动的方法。我们的研究结果表明，通过人工和真实的海洋干扰下训练机器人，机器人能够成功地在复杂的时空环境中采取行动。
2018-03-11 cs.RO
A Novel Versatile Architecture for Autonomous Underwater Vehicle's Motion Planning and Task Assignment
Flinders University（弗林德斯大学）
随着水下场景和任务的不断扩展，对自主水下航行器（AUV）的鲁棒决策提出了更高的要求，设计一个有效的决策框架对于在有限时间内最大限度地提高任务效率至关重要。本文的重点是开发一种深思熟虑的无冲突任务分配架构，包括全球路线规划器（GRP）和本地路径规划器（LPP），以提供一致的运动规划，同时应对环境动态变化和地形的先验知识，以便在未知的水下环境中反应式引导AUV到达感兴趣的目标。该体系结构包括三个主要模块：顶层的GRP模块处理任务优先级分配、任务时间管理和大规模环境下起点和终点之间可行路径的确定。较低级别的LPP模块处理安全考虑，并生成所获得的全局路线中列出的每对特定航路点之间的无碰撞最佳轨迹。重新规划模块旨在提高AUV对环境变化的鲁棒性和反应能力。不同的模拟任务的实验结果表明，所提出的方案在提高车辆的自主性方面的任务生产力，任务时间管理和车辆安全性的固有的鲁棒性和显着的效率。
2016-06-15 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
MIR-Vehicle: Cost-Effective Research Platform for Autonomous Vehicle Applications
Kettering University（凯特林大学）；University of Michigan-Dearborn（密歇根大学迪尔伯恩分校）
本文阐述了MIR（移动智能机器人）车辆：一个可行的选择，将电动车转换成一个模块化的图形处理单元（GPU）驱动的自主平台，配备了支持测试和部署各种智能自主车辆算法的能力。要使用研究平台，必须提供两个组成部分：感知和控制。诸如增量编码器、惯性测量单元（IMU）、相机和光检测和测距（LIDAR）等传感器必须能够安装在平台上以增加环境感知能力。微处理器供电的控制箱被设计成通过调节驱动和转向电机来适当地响应环境变化。这种线传驱动能力由GPU供电的膝上计算机控制，在该膝上型计算机中处理高级感知算法，并通过各种方法（包括使用深度神经网络的行为克隆）生成复杂动作。本文的主要目标是提供一个充分和全面的方法来构建一个具有成本效益的平台，这将有助于更广泛的社区的研究质量。所提出的平台将使用模块化和分层的软件架构，其中较低和较简单的电机控制由微控制器程序处理，较高和复杂的算法由GPU供电的膝上计算机处理。该平台使用机器人操作系统（ROS）作为中间件，以保持感知和决策模块的模块化。预计三级及以上自动驾驶汽车系统和高级驾驶辅助系统（ADAS）可以在该平台上进行测试和部署，由于拟议平台的能力和可承受性，该平台具有良好的实时系统行为。
2019-12-31 cs.RO
An Experimental Evaluation of Robustness and Precision for Long-term LiDAR-based Localization in Highly Changing Environments
LS2N, Laboratoire des Sciences du Numérique de Nantes, Centrale Nantes and CNRS（南特数字科学实验室、南特中央理工学院与法国国家科学研究中心）
在开发基于非GPS的自动驾驶汽车定位系统时，最困难的挑战之一是环境的变化。基于激光雷达的系统通常试图将最后获得的测量结果与先前记录的该地区地图相匹配。如果现有的地图没有随着时间的推移而更新，则很有可能这些措施与环境的匹配程度不够，导致车辆无法跟踪其位置。在本文中，我们提出并分析实验结果的鲁棒性和精度的地图匹配定位系统在一定的时间内在以下三种情况下：（1）没有任何更新的初始地图，（2）更新地图的车辆移动和（3）地图更新，考虑到周围的结构标记为“固定”，这是不同的对待。测试的环境是一个繁忙的停车场，这确保了从一天到下一天的剧烈变化。通过将使用地图计算的位置与由实时动态GPS系统提供的位置进行比较来获得精度。实验结果显示，当在工作区域上使用固定结构时，即使在23天后仍保持稳定的约6cm的定位误差。
2020-03-17 cs.RO
Robust Meta-Learning of Vehicle Yaw Rate Dynamics via Conditional Neural Processes
本文提出利用条件神经过程进行车辆偏航率动态的鲁棒元学习，以实现低误差、足够复杂性和对变化参数的鲁棒性，提升自动驾驶车辆的安全规划能力。
2026-02-06 cs.RO
Rapid Path Planning for Dubins Vehicles under Environmental Currents
University of Connecticut（康涅狄格大学）；Naval Undersea Warfare Center（海军水下作战中心）
本文提出了一种快速的（实时的）解决方案的最小时间路径规划问题的Dubins车辆在环境流（风或洋流）。实时解决方案在时间紧迫的情况下至关重要（例如在动态变化的环境下重新规划或跟踪快速移动的目标）。通常，杜宾问题需要求解六种路径类型;然而，由于电流的存在，其中四种路径类型需要求解涉及超越函数的求根问题。因此，现有的方法导致高的计算时间，其适用性的实时应用是有限的。在这方面，为了获得一个实时的解决方案，本文提出了一种新的方法，其中只有一个子集的两个Dubins路径类型（LSL和RSR）被使用，有直接的解析解存在的电流。然而，这两种路径类型不提供完全可达性。我们表明，通过扩展的可行范围内的圆弧在LSL和RSR路径类型从$2π$ $4π$：1）完全可达性的任何目标构成的保证，和2）路径与相应的$2π$弧路径相比，可以产生较低的时间成本。理论性质严格建立，支持几个例子，并通过广泛的蒙特卡罗模拟比较Dubins的解决方案进行评估。
2020-09-09 cs.RO 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
Online Planning in Uncertain and Dynamic Environment in the Presence of Multiple Mobile Vehicles
Luddy School of Informatics, Computing, and Engineering at Indiana University（印第安纳大学卢迪信息学、计算与工程学院）；Expedia Group（亿客行集团）
研究了在时变不确定环境干扰下移动机器人在其他移动车辆存在下的自主导航问题。我们首先预测其他车辆的未来状态分布，以解释它们受时变干扰影响的不确定行为。然后，我们构建了一个动态障碍感知可达空间，其中包含了机器人，在其中搜索最优策略达到高概率的状态。由于，在一般情况下，车辆和环境干扰的动态是非线性的，我们利用非线性高斯滤波器-无迹变换-来近似未来的状态分布。最后，迭代前向可达空间计算和后向策略搜索直到收敛。广泛的模拟评估表明，该方法在计算时间，决策精度和规划可靠性方面具有显着的优势。
2020-09-08 cs.AI cs.RO
Vehicle Teleoperation: Performance Assessment of SRPT Approach Under State Estimation Errors
Politecnico Di Milano（米兰理工大学）
本文通过 Simulink 中含困难机动与环境扰动的 14-dof 车辆仿真，评估 SRPT 在状态估计误差下的鲁棒性，证明仅凭 IMU、轮速和转向编码器即可实现足够性能。
2023-05-19 cs.RO
DRNet: A Decision-Making Method for Autonomous Lane Changingwith Deep Reinforcement Learning
Université de Sherbrooke（谢布鲁克大学）；Fujian Normal University（福建师范大学）
针对复杂场景下的自动驾驶变道挑战，提出基于深度强化学习的高效框架DRNet，融合安全验证机制确保决策安全，在模拟环境中表现优于DDQN等基线模型。
2024-02-19 cs.AI cs.RO
DeepIPCv2: LiDAR-powered Robust Environmental Perception and Navigational Control for Autonomous Vehicle
Department of Computer Science and Electronics, Universitas Gadjah Mada（计算机科学与电子系，加查马达大学）；Department of Computer Science and Engineering, Toyohashi University of Technology（计算机科学与工程系，toyohashi技术大学）
提出DeepIPCv2端到端自动驾驶框架，通过融合LiDAR点云分割与多视图投影构建鲁棒场景表示，结合门控循环单元、命令特定多层感知器和PID控制器实现路径点与导航控制命令的联合估计，在光照变化下取得最低总指标误差和最少驾驶干预。
2026-05-31 cs.AI cs.CV cs.RO
Persistent Monitoring of Dynamically Changing Environments Using an Unmanned Vehicle
Texas A&M University（德克萨斯农工大学）；Wright-Patterson A.F.B.（赖特-帕特森空军基地）
我们考虑的问题，规划一个封闭的步行$\mathcal W$的无人机持续监测有限数量的固定目标具有相同的优先级和动态变化的属性。无人机必须实际访问目标，以便监视它们并收集其中的信息。监测任何给定目标的频率由目标重访时间$i.e.$指定，$i.e.$是对目标的任何两次连续访问之间的最大允许时间。在本文中考虑的问题是：给定$n$目标和$k \geq n$允许访问他们，找到一个最佳的封闭行走$\mathcal W^*(k)$，使每个目标至少访问一次，并在所有的目标，$\mathcal R(\mathcal W(k))$，最大重访时间最小化。我们证明如下：如果$k \geq n^2-n$，则$\mathcal R(\mathcal W^*(k))$（或简称为$\mathcal R^*(k)$）仅取两个值：当$k$是$n$的整数倍时为$\mathcal R^*(n)$，否则为$\mathcal R^*(n+1)$。该结果表明显著的计算节省-仅需要确定$\mathcal W^*(n)$和$\mathcal W^*(n+1)$来构造最优解$\mathcal W^*(k)$。我们提供了计算$\mathcal W^*(n)$和$\mathcal W^*(n+1)$的MILP公式。此外，对于{ \it any}给定$k$，我们证明了$\mathcal R^*(k) \geq \mathcal R^*(k…
2019-06-03 cs.DS cs.RO
Transfusor: Transformer Diffusor for Controllable Human-like Generation of Vehicle Lane Changing Trajectories
Purdue University（普渡大学）；Lyles School of Civil Engineering（莱尔土木工程学院）；Center for Connected and Automated Transportation (CCAT)（连通与自动化交通中心）
本文提出Transfusor模型，结合Transformer与扩散模型生成可控的类人变道轨迹，提升虚拟仿真测试场景的真实性，从而增强自动驾驶系统的安全性与可靠性。
2023-08-28 cs.AI cs.RO
Vehicle Dynamics Embedded World Models for Autonomous Driving
School of Vehicle and Mobility, Tsinghua University（清华大学车辆与移动系统学院）；Department of Computer Science, The University of Manchester（曼彻斯特大学计算机科学系）；Tsinghua University, Chinese Academy of Engineering（清华大学、中国工程院）
本文提出VDD方法，通过分离车辆动力学与环境动力学建模，提升自动驾驶中对车辆参数变化的鲁棒性。
2025-12-02 cs.AI cs.RO
Shallow Water Bathymetry Survey using an Autonomous Surface Vehicle
Indian Institute of Technology Bombay（印度理工学院孟买分校）
准确和具有成本效益的水体测绘对于环境理解和导航具有巨大的意义。然而，我们从这些环境特征中获得的信息的数量和质量受到各种因素的限制，包括成本，时间，安全性和现有数据收集技术的能力。水深测量是这种测绘的一个重要部分，特别是在可能造成航行风险或具有重要生态功能的浅水区。例如，由于风暴和侵蚀，这些地点的侵蚀和沉积可能导致需要重复测量的快速变化。在本文中，我们描述了一种低成本，弹性，无人自主水面车辆测深数据收集使用侧扫声纳。我们讨论了适应设备和传感器的导航，控制和测深数据的收集，也给出了概述的车辆设置。这种自主水面车辆已被用于收集来自印度孟买Powai湖的水深测量。
2022-07-18 cs.RO cs.SY eess.SY
Trajectory Generation for UAVs in Unknown Environments with Extreme Wind Disturbances
The George Washington University（乔治华盛顿大学）；University of Delaware（特拉华大学）
军事、商业公司和学术界对无人机（UAV）的广泛使用继续推动着自主车辆导航的研究，特别是在不同的环境条件和超视距（BLOS）应用中。本文讨论了在极端环境中飞行的无人机的轨迹生成，在极端环境中，风干扰可能超过飞行器的闭环稳定性界限。为此，开发了具有两种操作模式的控制器：（1）正常模式，和（2）漂移模式。在正常模式下，环境条件不会超过飞行器的推力和传感器限制，而在漂移模式下则会超过。在漂移模式中，建立随盛行风移动的漂移框架，其中飞行器保持控制权限以生成和跟踪轨迹。飞行器通过放松惯性系轨迹跟踪要求并在漂移系中重新规划轨迹来保持控制权限。建立保证以确保跟踪轨迹、避免碰撞，并遵守飞行器推力和传感器限制。仿真结果通过两个场景验证了算法的性能。首先，两个四旋翼的性能进行比较，其中一个利用漂移模式，另一个不。第二，多个车辆通过两个狭窄的开口之间的保护和多风的环境，以展示车载更新导航参数的基础上的环境条件。
2019-06-22 cs.RO cs.SY eess.SY
Proposed Efficient Design for Unmanned Surface Vehicles
Université de Sherbrooke（谢布鲁克大学）；University of Malaya（马来亚大学）
近年来，世界范围内对商用、军用和科研无人水面航行器（USV）的兴趣日益增长，因此需要开发其制导、导航和控制（GNC）系统。真正的USV是一个相对较新的出现，因此每个模型的缺点将在此期间进行修改。提出一种既环保又高效的无人潜水器设计方案是本文的主要目的，以指导今后的研究工作。可再生能源和存储单元之间的功率管理被认为是。此外，适当的和现代的传感器被应用于状态估计和环境感知。提供了与指导和控制方法有关的技术要求，以实现环境中的最高性能。此外，船体结构及其材料是本文考虑的重要因素。
2020-09-02 cs.RO cs.SY eess.SY
Deep Interactive Reinforcement Learning for Path Following of Autonomous Underwater Vehicle
Ocean University of China（中国海洋大学）
自主式水下机器人（AUV）在海洋探测中发挥着越来越重要的作用。现有的AUV通常不是完全自主的，并且通常限于预先规划或预先编程任务。强化学习和深度强化学习被引入到AUV的设计和研究中，以提高其自主性。然而，这些方法仍然很难直接应用于实际的AUV系统，因为稀疏的奖励和低的学习效率。结合深度强化学习和交互式强化学习的优点，提出了一种深度交互式强化学习方法用于水下机器人路径跟踪。此外，由于AUV在海洋中运行时，人类训练者无法提供人类奖励，而AUV需要适应不断变化的环境，因此我们进一步提出了一种同时从人类奖励和环境奖励中学习的深度强化学习方法。通过在Gazebo平台上的仿真，分别对AUV的直线跟踪和正弦曲线跟踪两种路径跟踪任务进行了验证。我们的实验结果表明，使用我们提出的深度交互式RL方法，AUV可以比仅从环境奖励的DQN学习器更快地收敛。此外，AUV从人类和环境奖励的深度RL学习也可以实现与深度交互式RL方法相似甚至更好的性能，并且可以通过进一步从环境奖励学习来适应实际环境。
2020-01-10 cs.AI cs.LG cs.RO
View-Invariant Localization using Semantic Objects in Changing Environments
Massachusetts Institute of Technology（麻省理工学院）
本文提出了一种新的框架，实时定位和自运动跟踪的车辆在参考地图。其核心思想是将车辆观察到的语义对象映射到参考地图中的相应对象。虽然最近的几个作品已经利用语义信息的跨视图定位，这项工作的主要贡献是一个视图不变的配方，使该方法直接适用于任何视点配置的对象是可检测的。另一个独特的特征是由于适合于极端离群状态的数据关联方案（例如，90%关联离群值）。为了演示我们的框架，我们考虑一个例子，本地化的参考对象地图中的地面车辆只使用汽车作为对象。虽然只有一个立体相机用于地面车辆，我们认为参考地图构建先验从地面视点使用立体相机和激光雷达扫描，并在不同的日期捕获的地理参考航空图像，以证明该框架的鲁棒性不同的方式，观点和环境变化。对KITTI数据集的评估表明，在3.7公里的轨迹上，定位在36秒内发生，然后进行实时自运动跟踪，在激光雷达参考地图中的平均位置误差为8.5米，在空中物体地图上，77%的物体是异常值，在71秒内实现定位，平均位置误差为7.9米。
2022-09-28 cs.CV cs.RO
VehicleWorld: A Highly Integrated Multi-Device Environment for Intelligent Vehicle Interaction
School of Computer Science and Artificial Intelligence, Fudan University（计算机科学与人工智能学院，复旦大学）
针对智能车辆座舱中API智能体协调复杂的问题，提出VehicleWorld环境（30模块、250 API）及基于状态的函数调用方法SFC，通过直接状态预测与转换提升执行准确率并降低延迟。
2025-09-08 cs.AI cs.CL cs.RO
Machine Learning-Based Vehicle Intention Trajectory Recognition and Prediction for Autonomous Driving
University of Southern California（南加州大学）；Virginia Tech（弗吉尼亚理工大学）；Miami University（迈阿密大学）；Northern Arizona University（北亚利桑那大学）；Northeastern University（东北大学）
本文针对自动驾驶变道安全问题，提出一种基于深度学习的变道行为预测方法，旨在准确识别驾驶员变道意图，促进安全变道并提升道路安全性。
2024-02-25 cs.CV cs.LG cs.RO
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
Automated Lane Change Behavior Prediction and Environmental Perception Based on SLAM Technology
Santa Clara University（圣克拉拉大学）；Trine University（特里恩大学）；Northeastern University（东北大学）
本文研究SLAM在自动驾驶环境感知与自动换道预测中的应用，比较LIDAR SLAM与视觉SLAM，并结合企业案例说明其对定位、决策和安全体验的提升。
2024-04-06 cs.AI cs.CV cs.RO
Autonomous Reactive Mission Scheduling and Task-Path Planning Architecture for Autonomous Underwater Vehicle
Flinders University of South Australia（南澳大利亚弗林德斯大学）
自主水下航行器（AUV）需要在有限的时间内完成复杂的任务。由于现有的AUV电池容量和续航能力有限，它们应该自主管理任务时间和资源，以便在更长的任务中执行有效的持续部署。任务分配需要根据资源约束做出决策，而任务分配的成本和/或价值是预先预算的。任务分布在一个特定的操作区，并通过一个航路点覆盖的网络映射。因此，设计一个有效的路由任务优先级分配框架，考虑车辆的可用性和属性是必要的，以提高任务的生产率和按时完成任务。这在很大程度上取决于任务的顺序和优先级，这些任务位于操作网络中的节点状航路点之间。另一方面，AUV在不熟悉的水下动态环境中自主操作并对突发环境变化做出快速响应是一个复杂的过程。水流的不稳定性会使潜水器偏转到不希望的方向，并干扰AUV的安全。车辆对强烈环境变化的鲁棒性对于其在不确定和动态环境中的安全和最佳操作至关重要。为此，AUV需要在顶层对环境进行总体概述，以执行自主动作选择（任务选择）和较低级别的本地运动规划器，以成功地处理不断变化的情况。本研究涉及开发一种新的反应控制体系结构，提供了更高层次的决策自主权的AUV操作，使一个单一的车辆，以完成多个任务，在一个单一的任务，面对周期性的干扰，在动荡和高度不确定的环境。
2017-06-13 cs.AI cs.RO
Adaptive Variance for Changing Sparse-Reward Environments
Carnegie Mellon University（卡内基梅隆大学）；UC Berkeley（加州大学伯克利分校）
被训练在固定环境中执行任务的机器人在面对环境的意外变化时，由于缺乏探索，往往会失败。我们提出了一个原则性的方法来适应政策，以更好地探索不断变化的稀疏奖励环境。不同于以往的作品，明确地模拟环境的变化，我们分析了价值函数和最优探索的高斯参数化的政策之间的关系，并表明我们的理论导致一个有效的策略，调整方差的政策，使快速适应各种稀疏回报环境的变化。
2019-05-08 cs.AI cs.RO
Augmentation for Learning From Demonstration with Environmental Constraints
Technische Universität Berlin（柏林工业大学）；Research Cluster of Excellence ”Science of Intelligence”（“智能科学”卓越研究集群）
我们介绍了一个示教学习（LfD）的接触丰富的操作任务与铰接机构的方法。从一个单一的人类示范提取的政策推广到不同的机制相同的类型，并对环境的变化是强大的。从单个人类演示中实现这种泛化和鲁棒性的关键是自主地增强初始演示，以通过有目的地与环境交互来收集更多信息。我们在多自由度复杂机构上的真实实验表明，我们的方法可以在不断变化的环境中可靠地完成任务。视频可在https://sites.google.com/view/rbosalfdec/home上获得
2022-10-13 cs.AI cs.RO
Autonomous Driving using Safe Reinforcement Learning by Incorporating a Regret-based Human Lane-Changing Decision Model
Michigan State University（密歇根州立大学）；Clemson University（克莱姆森大学）
预计即使自动驾驶技术已经准备就绪，许多人类驾驶员仍然更喜欢自己驾驶。因此，人类驾驶车辆和自动驾驶车辆（AV）将长期共存于混合交通中。为了使无人驾驶汽车能够在这种混合交通中安全有效地机动，至关重要的是无人驾驶汽车能够了解人类如何应对风险并做出与驾驶相关的决策。另一方面，驾驶环境是高度动态和不断变化的，因此难以枚举所有场景并对控制器进行硬编码。为了应对这些挑战，在这项工作中，我们将人类决策模型纳入强化学习中，以控制自动驾驶汽车实现安全高效的操作。具体来说，我们采用后悔理论来描述人类驾驶员的换道行为，并将个性化模型拟合到个体驾驶员，以预测他们的换道决策。在训练和实施中，将预测的决策纳入强化学习的安全约束中。然后，我们使用扩展版本的双深Q网络（DDQN）训练我们的AV控制器内的安全设置。通过这样做，训练中的碰撞量减少到零，而训练精度不受影响。
2019-10-10 cs.AI cs.LG cs.RO
Autonomous Vehicle Patrolling Through Deep Reinforcement Learning: Learning to Communicate and Cooperate
The University of Melbourne（墨尔本大学）
本文提出基于强化智能体间学习（RIAL）的多智能体强化学习方案，解决自动驾驶车辆在复杂环境下的巡逻通信与合作问题，并在仿真中验证其优于现有方法的性能与容错能力。
2024-01-28 cs.AI cs.MA cs.RO
Probabilistic End-to-End Vehicle Navigation in Complex Dynamic Environments with Multimodal Sensor Fusion
The Hong Kong University of Science and Technology（香港科技大学）
全天候和全天候导航是自动驾驶的关键能力，这需要对各种环境条件和复杂的智能体行为做出适当的反应。最近，随着深度学习的兴起，自动驾驶汽车的端到端控制得到了很好的研究。然而，大多数作品仅仅基于视觉信息，这些信息可能会因具有挑战性的照明条件（如昏暗的光线或完全的黑暗）而退化。此外，他们通常产生和应用确定性的控制命令，而不考虑未来的不确定性。本文基于模仿学习，利用摄像头、激光雷达和雷达的信息，提出了一种具有多感知能力的概率驾驶模型。我们进一步评估其驾驶性能在线我们的新驾驶基准，其中包括各种环境条件（例如，城市和农村地区、交通密度、天气和一天中的时间）和动态障碍物（例如，车辆、行人、骑摩托车者和骑自行车者）。结果表明，我们提出的模型优于基线，并在交通繁忙和极端天气的不可见环境中实现了出色的泛化性能。
2020-05-05 cs.AI 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
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
Machine Learning-Based Estimation Of Wave Direction For Unmanned Surface Vehicles
Université de Bretagne Occidentale（西布列塔尼大学）
针对无人水面艇波浪方向估计传统方法成本高、分辨率有限的问题，本文提出基于LSTM网络的机器学习方法，利用USV传感器数据预测波浪方向，实验显示其性能优于基线模型。
2025-02-12 cs.AI cs.LG cs.RO
