SwarmHive: Heterogeneous Swarm of Drones for Robust Autonomous Landing on Moving Robot
Skoltech(斯科尔科沃科技学院)
本文重点研究了异构无人机群,以实现移动机器人的编队动态着陆。科学家们还没有完成这项艰巨的任务。关键技术是,我们建议在领导者无人机上只安装一个摄像头,而不是用计算机视觉来促进无人机群的每个代理,从而大大增加有效载荷并缩短飞行时间。跟随无人机接收来自领导者UAV的命令,并与人工势场保持无碰撞轨迹。实验结果表明,高精度的群体降落在一个静态的移动平台(RMSE为4.48厘米)。在最大速度为1.0 m/s和1.5 m/s的移动平台上,蜂群着陆的RMSE分别为8.76 cm和8.98 cm。拟议中的SwarmHive技术将允许蜂群节省时间着陆,以便进一步为无人机充电。这将使多智能体机器人系统能够实现自我可持续的操作,用于救援行动,检查和维护,自主仓库库存,货物交付等场景。
2022-06-17 cs.RO
Faster-HEAL: An Efficient and Privacy-Preserving Collaborative Perception Framework for Heterogeneous Autonomous Vehicles
Electrical and Computer Engineering(电气与计算机工程);Michigan State University(密歇根州立大学)
Faster-HEAL通过低秩视觉提示和金字塔融合,实现高效且隐私保护的异构自动驾驶车辆协作感知
2026-03-07 cs.CV cs.RO
HetroD: A High-Fidelity Drone Dataset and Benchmark for Autonomous Driving in Heterogeneous Traffic
National Yang Ming Chiao Tung University(国立阳明交通大学);UC Berkeley(伯克利大学);fka GmbH
HetroD通过高保真无人机数据集和基准,解决异质交通中自动驾驶面临的复杂行为预测与规划挑战。
2026-02-25 cs.CV cs.RO
Failure Detection for Motion Prediction of Autonomous Driving: An Uncertainty Perspective
本文从不确定性视角提出自动驾驶运动预测的失败检测框架,综合考虑运动不确定性与模型不确定性并构建多种评分,实验证明该方法有效但需谨慎使用。
2023-05-25 cs.CV cs.RO
Learning an Uncertainty-Aware Object Detector for Autonomous Driving
Uber Advanced Technologies Group(优步先进技术集团);Georgia Institute of Technology(佐治亚理工学院)
检测物体的能力是自动驾驶的核心部分。由于传感器噪声和不完整的数据,完美地检测和定位每个目标是不可行的。因此,检测器提供每个预测中的不确定性量是很重要的。为自主系统提供可靠的不确定性使得车辆能够基于不确定性水平做出不同的反应。先前的工作已经通过预测对象边界框上的概率分布来估计检测中的不确定性。在这项工作中,我们提出了一种方法来提高学习的能力,通过考虑潜在的噪声在地面真实标记的数据的概率分布。我们提出的方法不仅提高了学习分布的准确性,而且提高了目标检测性能。
2020-02-03 cs.CV cs.LG cs.RO
Towards Safe Autonomous Driving: Capture Uncertainty in the Deep Neural Network For Lidar 3D Vehicle Detection
Robert Bosch GmbH(罗伯特·博世有限公司);Ulm University(乌尔姆大学)
为了确保自动驾驶汽车在公共道路上安全行驶,其目标检测模块不仅要正确工作,还要显示其预测的可信度。以前由深度学习驱动的对象检测器没有明确地对神经网络中的不确定性进行建模。我们通过提出实用的方法来捕获激光雷达点云的3D车辆检测器中的不确定性来解决这个问题。建议的概率检测器代表可靠的认知不确定性和任意的不确定性分类和定位任务。实验结果表明,认知不确定性与检测精度有关,而任意不确定性受车辆距离和遮挡的影响。实验结果还表明,通过对任意不确定度进行建模,可以使检测性能提高1%~ 5%。
2018-09-07 cs.CV cs.RO
Model-Reference Reinforcement Learning Control of Autonomous Surface Vehicles with Uncertainties
Delft University of Technology(代尔夫特理工大学)
针对不确定自主水面航行器提出了一种新的模型参考强化学习控制方法。所提出的控制将传统控制方法与深度强化学习相结合。使用传统控制,我们可以确保基于学习的控制律为整个系统提供闭环稳定性,并可能提高深度强化学习的采样效率。通过强化学习,我们可以直接学习控制律来补偿模型的不确定性。在所提出的控制中,使用名义系统来使用传统控制方法设计基线控制律。标称系统还定义了不确定的自动驾驶车辆要遵循的期望性能。与传统的深度强化学习方法相比,我们提出的基于学习的控制可以提供稳定性保证和更好的采样效率。我们通过大量的仿真结果证明了新算法的性能。
2020-03-30 cs.AI cs.LG cs.RO
Robust Task Scheduling for Heterogeneous Robot Teams under Capability Uncertainty
University of Michigan(密歇根大学);US Army DEVCOM Ground Vehicle Systems Center(美国陆军作战能力发展司令部地面车辆系统中心)
本文提出了一个多智能体系统的随机规划框架,其中任务分解,分配和调度问题同时优化。该框架可应用于具有分布式子任务的异构移动机器人团队。例子包括流行病机器人服务协调,探索和救援,以及具有异构车辆的交付系统。由于其固有的灵活性和鲁棒性,多智能体系统被应用于越来越多的现实世界中的问题,涉及异构的任务和不确定的信息。大多数以前的作品假设一个固定的方式来分解一个任务到角色,以后可以分配给代理。这个假设对于角色可以变化并且存在多个分解结构的复杂任务是无效的。同时,目前还不清楚如何在任务要求和代理能力的不确定性,可以系统地量化和优化下的多代理系统设置。提出了一种复杂任务的表示方法:代理能力表示为随机分布的向量,任务需求由可推广的二元函数验证。选择条件风险价值(CVaR)作为目标函数中的度量,以生成稳健的计划。描述了一种有效的算法来求解该模型,并在两个不同的实际测试案例中评估了整个框架:在大流行期间捕获旗帜和机器人服务协调(例如,COVID-19)。结果表明,该框架是可推广的,可扩展到140代理和40个任务的示例测试用例,并提供低成本的计划,确保成功的可能性很高。
2022-11-13 cs.MA cs.RO
Uncertainty Estimation for Deep Reconstruction in Actuatic Disaster Scenarios with Autonomous Vehicles
University of Sevilla(塞维利亚大学)
本文比较了多种方法在水下环境监测中同时进行标量场重建和不确定性分解的效果,发现证据深度学习在重建精度和不确定性校准方面表现最佳,且计算成本最低。
2026-04-07 cs.AI cs.RO
Risk-averse Behavior Planning for Autonomous Driving under Uncertainty
Qualcomm AI Research(高通人工智能研究院);Qualcomm Automotive Research(高通汽车研究院)
自动驾驶车辆必须在周围环境中导航,并具有共享道路的其他物体的部分可观测性。自动驾驶车辆测量中的不确定性来源包括传感器融合误差、由于天气或目标检测延迟而导致的有限传感器范围、遮挡以及诸如其他人类驾驶员意图之类的隐藏参数。行为规划必须考虑所有来源的不确定性,在决定未来的车辆操纵。本文提出了一个可扩展的框架,风险规避行为规划下的不确定性,结合QMDP,无迹变换和蒙特卡罗树搜索(MCTS)。结果表明,置信上限(UCB)扩大树的结果在嘈杂的Q值估计的MCTS和QMDP的性能下降。提出了一种改进的MCTS动作选择过程,以实现鲁棒性能。
2018-12-04 cs.AI cs.RO
Capture Uncertainties in Deep Neural Networks for Safe Operation of Autonomous Driving Vehicles
基于深度神经网络(DNN)的感知和车辆运动的不确定性对安全自动驾驶车辆的开发提出了挑战。在本文中,我们提出了一个安全的运动规划框架,其特点是量化和传播基于DNN的感知不确定性和运动不确定性。这项工作的贡献有两个方面:(1)贝叶斯深度神经网络模型,它检测3D对象并定量捕获DNN的相关随机和认知不确定性;(2)不确定性感知运动规划算法(PU-RRT),它考虑了目标检测和自我车辆运动中的不确定性。通过在内置的CARLA中模拟复杂场景验证了所提出的方法。实验结果表明,所提出的运动规划方案能够有效应对基于DNN的感知和车辆运动的不确定性,提高自主车辆的运行安全性,同时仍能获得理想的效率。
2021-08-11 cs.AI cs.RO cs.SY
Uncertainty-Aware Prediction and Application in Planning for Autonomous Driving: Definitions, Methods, and Comparison
School of Vehicle and Mobility, Tsinghua University(清华大学车辆与出行学院);School of Mechanical Engineering, Beijing Institute of Technology(北京理工大学机械工程学院)
本文提出统一预测与规划框架,利用高斯混合模型和深度集成同时建模SAU、LAU与EU,并在CommonRoad及感知受限场景中验证其规划可靠性优势。
2024-03-04 cs.RO
Uncertainty-Aware Model-Based Reinforcement Learning with Application to Autonomous Driving
Nanyang Technological University(南洋理工大学)
为了进一步提高强化学习(RL)的学习效率和性能,提出了一种新的基于不确定性感知模型的强化学习(UA-MBRL)框架,并在不同任务场景下的自动驾驶中进行了实现和验证。首先,建立了一个具有不确定性评估能力的动作条件集成模型作为虚拟环境模型。然后,一个新的不确定性感知的基于模型的RL框架的基础上的自适应截断方法,提供虚拟的代理和环境模型之间的相互作用,提高RL的训练效率和性能。然后,开发的算法在端到端的自主车辆控制任务中实现,在各种驾驶场景下与最先进的方法进行验证和比较。验证结果表明,所提出的UA-MBRL方法优于现有的基于模型和无模型的RL方法,在学习效率和实现的性能。实验结果表明,该方法在各种自动驾驶场景下具有良好的自适应性和鲁棒性。
2021-07-05 cs.LG cs.RO
Autonomous Driving with Priority-Ordered STL Specifications Under Multimodal Uncertainty
Eindhoven University of Technology(埃因霍温理工大学)
提出一种不确定性感知的轨迹规划框架,通过信号时序逻辑的词典序优先级处理冲突目标,并结合模型预测路径积分控制实现,在仿真中验证了有效性。
2026-08-11 cs.RO
Safety-Aware Optimal Scheduling for Autonomous Masonry Construction using Collaborative Heterogeneous Aerial Robots
Robotics and Artificial Intelligence Group, Department of Computer, Electrical and Space Engineering, Luleå University of Technology(机器人与人工智能组,计算机、电气与空间工程系,卢勒奥技术大学)
本文提出一个面向异构空中机器人协作砌墙的调度框架,通过动态耦合期限与时空安全约束优化任务分配,最小化完工时间,并经Gazebo仿真验证其高效与安全性。
2025-06-23 cs.RO
SOAR: Simultaneous Exploration and Photographing with Heterogeneous UAVs for Fast Autonomous Reconstruction
School of Artificial Intelligence, Sun Yat-Sen University(中山大学人工智能学院);School of Electronics And Information, Northwestern Polytechnical University(西北工业大学电子信息学院);Department of Electronic and Computer Engineering, The Hong Kong University of Science and Technology(香港科技大学电子与计算机工程系);Department of Automation, North China Electric Power University(华北电力大学自动化系);The Hong Kong University of Science and Technology(香港科技大学)
SOAR提出LiDAR-视觉异构多无人机系统,通过表面前沿探索、一致多仓库多旅行商问题视点分配和最优覆盖路径规划,实现复杂环境快速自主重建。
2024-09-04 cs.RO
Precise and Efficient Collision Prediction under Uncertainty in Autonomous Driving
本研究提出两种半解析碰撞概率估计方法,考虑完整状态不确定性,精度接近蒙特卡洛且计算高效,适用于自动驾驶风险感知轨迹规划。
2025-10-07 cs.RO
Hyperdimensional Uncertainty Quantification for Multimodal Uncertainty Fusion in Autonomous Vehicles Perception
University of California, Irvine(加利福尼亚大学欧文分校)
提出HyperDUM,利用超维计算量化多模态特征级认知不确定性,通过自适应加权改善融合,在3D检测和语义分割中超越SOTA,且计算和参数开销大幅降低。
2025-03-25 cs.CV cs.RO
A Risk-Sensitive and Uncertainty-Aware Decision-Making and Control Framework for Safe and Robust Autonomous Driving
Tongji University(同济大学);The University of Hong Kong(香港大学)
提出RUDC框架,融合风险敏感分布强化学习与不确定性量化,并采用自适应安全校正机制,在无信号交叉口实现安全、高效且鲁棒的自动驾驶决策。
2026-09-10 cs.RO
Can We Trust You? On Calibration of a Probabilistic Object Detector for Autonomous Driving
Robert Bosch GmbH(罗伯特·博世股份有限公司);Ulm University(乌尔姆大学)
可靠的不确定性估计对于安全自动驾驶中的感知系统至关重要。最近,已经提出了许多方法来对基于深度学习的对象检测器中的不确定性进行建模。然而,估计的概率往往是未经校准的,这可能会导致严重的问题,在安全关键的情况下。在这项工作中,我们确定这样的不确定性误校准问题的概率LiDAR三维目标检测网络,并提出了三个实用的方法,以显着减少不确定性校准的错误。在几个数据集上的大量实验表明,我们的方法产生了校准良好的不确定性,并在不同的数据集之间推广良好。
2019-09-26 cs.CV cs.RO
Digital Twin Enabled Runtime Verification for Autonomous Mobile Robots under Uncertainty
Aarhus University(奥胡斯大学)
针对不确定环境下自主移动机器人的可靠运行问题,提出基于数字孪生的运行时验证方法,通过TeSSLa生成监视器、云端数字孪生实时监测干预,有效提升机器人可靠性并将速度差异最多降低41%。
2024-12-13 cs.RO
LLM-VLM Fusion Framework for Autonomous Maritime Port Inspection using a Heterogeneous UAV-USV System
Khalifa University Center for Autonomous Robotic Systems (KUCARS)(卡利法大学自主机器人系统中心(KUCARS));Khalifa University(卡利法大学)
本文提出基于LLM和VLM的融合框架,利用异构无人机-水下机器人系统实现自主港口检测,通过符号规划与语义检测提升检测效率和安全性。
2026-01-19 cs.CV cs.RO
Leveraging Uncertainties for Deep Multi-modal Object Detection in Autonomous Driving
Robert Bosch GmbH(罗伯特·博世有限公司);Ulm University(乌尔姆大学);Karlsruher Institute of Technology(卡尔斯鲁厄理工学院)
这项工作提出了一种概率深度神经网络,该网络将LiDAR点云和RGB相机图像相结合,以实现鲁棒、准确的3D目标检测。我们显式地对分类和回归任务中的不确定性进行建模,并通过采样机制利用不确定性来训练融合网络。我们在三个具有挑战性的真实驾驶场景的数据集上验证了我们的方法。实验结果表明,预测的不确定性反映了复杂的环境不确定性,例如人类专家标记物体的困难。结果还表明,与基线方法相比,我们的方法始终将平均精度提高了7%。当传感器在时间上未对准时,采样方法将平均精度提高了20%,显示出其对噪声传感器输入的高鲁棒性。
2020-02-01 cs.CV cs.RO
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
UNCAP: Uncertainty-Guided Neurosymbolic Planning Using Natural Language Communication for Cooperative Autonomous Vehicles
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
UNCAP通过自然语言通信和不确定性引导方法,提升多车辆协同自动驾驶系统的可扩展性和安全性。
2026-01-12 cs.CL cs.CV cs.MA
Privacy-preserving and Uncertainty-aware Federated Trajectory Prediction for Connected Autonomous Vehicles
Northeastern University(东北大学);University of Connecticut(康涅狄格大学)
深度学习是自动驾驶车辆轨迹预测的首选方法。不幸的是,其数据饥渴的性质隐含地要求提供足够丰富和高质量的集中式数据集,这很容易导致隐私泄露。此外,不确定性意识对于安全关键的网络物理系统变得越来越重要,其预测模块严重依赖于机器学习工具。在本文中,我们放宽了数据汇集的要求,并通过使用联邦学习的不确定性意识的全局目标的互联自动驾驶汽车,提高不确定性意识。我们将我们的算法命名为FLTP。我们进一步介绍了ALFLTP,它通过使用主动学习技术,在自适应选择参与客户端来提高FLTP。我们认为负对数似然(NLL)和任意的不确定性(AU)作为客户端选择指标。在Argoverse数据集上的实验表明,FLTP显著优于在本地数据上训练的模型。此外,ALFLTP-AU在训练回归损失方面收敛得更快,并且在大多数轮次中在NLL,minADE和MR方面比FLTP表现得更好,并且比ALFLTP-NLL具有更稳定的轮性能。
2023-03-08 cs.CV cs.DC cs.LG
SUPER-AD: Semantic Uncertainty-aware Planning for End-to-End Robust Autonomous Driving
KAIST AI(韩国科学技术院人工智能研究所);Korea University(韩国大学)
SUPER-AD通过语义不确定性感知和驾驶先验知识,提升端到端自动驾驶在复杂不确定性条件下的安全性和可靠性。
2025-11-28 cs.CV cs.RO
Tactical Decision-Making in Autonomous Driving by Reinforcement Learning with Uncertainty Estimation
Chalmers University of Technology(查尔姆斯理工大学);Volvo Group(沃尔沃集团)
强化学习(RL)可以用于创建用于自动驾驶的战术决策代理。然而,以前的方法只输出决策,并没有提供有关代理的信心,在推荐的行动。本文研究了如何贝叶斯RL技术,集成的神经网络与额外的随机先验函数(RPF)的基础上,可以用来估计的不确定性,在自动驾驶决策。还介绍了一种用于对动作是否应该被认为是安全的进行分类的方法。集成RPF方法的性能进行评估,通过训练代理在高速公路驾驶的情况下。它表明,经过训练的代理可以估计其决策的不确定性,并表示一个不可接受的水平时,代理面临的情况是远离训练分布。此外,在训练分布内,总体RPF代理优于标准深度Q-网络代理。在这项研究中,估计的不确定性是用来选择安全的行动,在未知的情况下。然而,不确定性信息也可用于确定应添加到训练过程中的情况。
2020-04-22 cs.AI cs.LG cs.RO
Uncertainty-aware Short-term Motion Prediction of Traffic Actors for Autonomous Driving
Uber Advanced Technologies Group(优步先进技术集团)
我们解决了自动驾驶汽车安全有效运行所必需的关键方面之一,即预测自动驾驶汽车周围交通行为者的未来状态。我们引入了一种基于深度学习的方法,该方法考虑了当前的世界状态,并生成每个演员附近的光栅图像。然后,这些光栅被用作深度卷积模型的输入,以推断参与者的未来运动,同时还考虑和捕获预测任务的固有不确定性。对真实世界数据的广泛实验强烈表明所提出的方法的好处。此外,在完成离线测试后,该系统成功地在自动驾驶汽车上进行了测试。
2020-03-04 cs.CV cs.LG cs.RO
Ensemble Quantile Networks: Uncertainty-Aware Reinforcement Learning with Applications in Autonomous Driving
Chalmers University of Technology(查尔姆斯理工大学);Volvo Group(沃尔沃集团)
本文提出集成分位网络(EQN),结合分布强化学习与集成方法同时估计偶然和认知不确定性,使自动驾驶智能体能在遮挡交叉口平衡风险与效率,并识别分布外情境以避免危险决策。
2021-10-17 cs.AI cs.LG cs.RO
Computational Onboard Data Management for Heterogeneous Autonomous Vehicle Streams
University of Delaware(特拉华大学)
AVS是一种面向自动驾驶车辆的计算与分层存储系统,通过模态感知压缩、热-冷分层和轻量级元数据层,实现高效的数据存储与检索。
2026-10-06 cs.DB cs.DC cs.OS
Visual-based Autonomous Driving Deployment from a Stochastic and Uncertainty-aware Perspective
The Hong Kong University of Science and Technology(香港科技大学)
端到端的基于视觉的模仿学习在自动驾驶中得到了广泛的应用。当部署经训练的基于视觉的驾驶策略时,通常直接应用确定性命令而不考虑输入数据的不确定性。这种政策在现实世界中的应用可能会带来巨大的损害。在本文中,我们遵循最近的real-to-sim管道,在使用训练策略时将测试世界图像转换回训练域。在翻译过程中,使用一个随机发生器来随机或定向地生成各种在训练域下风格化的图像。基于这些翻译的图像,训练的不确定性感知模仿学习策略将输出预测动作和由任意损失函数激励的数据不确定性。通过不确定性感知的模仿学习策略,我们可以很容易地在生成的图像中选择具有最低不确定性的最安全的图像。在Carla导航基准测试中的实验表明,我们的策略优于以前的方法,特别是在动态环境中。
2019-07-18 cs.AI cs.CV cs.RO
Uncertainty-Aware Safety-Critical Decision and Control for Autonomous Vehicles at Unsignalized Intersections
School of Automotive Studies, Tongji University(同济大学汽车学院)
本文提出USDC框架,通过构建风险感知的集成分布式RL生成风险规避策略并量化不确定性,结合HOCBF安全滤波器动态切换安全与灵活策略,在无信号交叉口场景中有效平衡安全性与交通效率。
2025-07-14 cs.RO
A Novel Navigation System for an Autonomous Mobile Robot in an Uncertain Environment
Anhui Polytechnic University(安徽工程大学);Wuhu HIT Robot Technology Research Institute Co. Ltd(芜湖哈工大机器人技术研究院有限公司);Cranfield University(克兰菲尔德大学)
本文提出了一种新的导航系统,该系统采用自适应阈值聚类算法在滑动窗口中检测障碍物,利用决策树对检测到的障碍物进行分类,并采用简化的Mophin算法对潜在碰撞进行预测和最优路径搜索。与现有的机器人导航方法相比,该系统具有最优无碰撞路径、存储空间小、计算复杂度低等优点。仿真实验和八种场景下的机器人实验表明,该机器人能够有效地避免与周围环境中的任何静态或动态障碍物发生碰撞。
2020-06-08 cs.RO
Semantic and Feature Guided Uncertainty Quantification of Visual Localization for Autonomous Vehicles
Sibley School of Mechanical and Aerospace Engineering, Cornell University(科尼尔大学机械与航空航天工程学院)
本文提出一种基于轻量级传感器误差模型的不确定性量化方法,融合图像特征与语义信息,用于自动驾驶视觉定位,并在Ithaca365数据集上验证了其优于高斯分布的预测性能。
2025-06-18 cs.CV 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
Autonomous Exploration Under Uncertainty via Deep Reinforcement Learning on Graphs
Stevens Institute of Technology(史蒂文斯理工学院)
我们考虑一个自主探索的问题,在这个问题中,一个范围传感移动机器人的任务是准确地映射的地标在一个先验的未知的环境中有效地实时,它必须选择既抑制定位的不确定性,并实现信息增益的传感行动。对于这个问题,信任空间规划方法,向前模拟机器人的感知和估计,往往会失败,在实时实现,缩放不良的状态,信念和动作空间的大小增加。我们提出了一种新的方法,使用图神经网络(GNNs)结合深度强化学习(DRL),使决策包含探索信息的图,以预测机器人的最佳感知动作的信念空间。该策略在没有人为干预的情况下在不同的随机环境中进行训练,提供了一个实时的,可扩展的决策过程,其高性能的探索性感知动作产生准确的地图和高速率的信息增益。
2020-07-24 cs.LG cs.RO
Modular Fault Diagnosis Framework for Complex Autonomous Driving Systems
FZI Research Center for Information Technology(FZI信息技术研究中心)
本文针对由异构组件构成且高度依赖驾驶状态的自动驾驶系统,提出了一种模块化故障诊断框架,包含模块化状态监控元素、状态与依赖感知聚合方法及分类方案,并在自动驾驶穿梭巴士上实现与评估以验证其有效性。
2024-11-14 cs.RO
Uncertainty Matters: Structured Probabilistic Online Mapping for Motion Prediction in Autonomous Driving
Bosch Center for AI(博世人工智能中心);University of Stuttgart(斯图加特大学);Coburg University of Applied Sciences(科堡应用科学大学)
本文提出结构化概率框架提升自动驾驶在线制图质量,通过低秩加对角线协方差分解建模空间依赖性,实现更准确的运动预测。
2026-03-20 cs.RO
Towards Better Performance and More Explainable Uncertainty for 3D Object Detection of Autonomous Vehicles
Shanghai Jiao Tong University(上海交通大学);University of California Berkeley(加州大学伯克利分校)
在本文中,我们提出了一种新形式的损失函数,以提高基于激光雷达的三维目标检测的性能,并获得更多的解释和令人信服的预测不确定性。利用角点变换和不确定性建模设计了损失函数。使用新的损失函数,我们的方法在KITTI数据集的val分裂上的性能显示出与使用简单的L1损失的基线相比,平均精度(AP)提高了15%。在对预测不确定性特征的研究中,我们发现,一般来说,对限界框的预测越准确,不确定性越低。角点不确定性的分布与点云在限界框中的分布一致,即观察点密集的角点具有较低的不确定性。此外,我们的方法还学习了长方体几何的限界框的不确定性预测的约束。最后,我们提出了一个有效的贝叶斯更新方法来恢复的不确定性的原始参数的包围盒,可以帮助提供概率结果的规划模块。
2020-08-17 cs.CV cs.LG cs.RO
Scalable Primitives for Generalized Sensor Fusion in Autonomous Vehicles
Woven Planet Level 5
在自动驾驶领域,深度神经网络在感知、预测和规划任务中的应用出现了爆炸式增长。随着自动驾驶汽车(AV)接近生产,多模态传感器输入和具有不同传感器平台的异构车队在行业中变得越来越普遍。然而,神经网络架构通常针对特定的传感器平台,并且对输入的变化不鲁棒,使得缩放和模型部署的问题特别困难。此外,大多数玩家仍然将软件和硬件的优化问题视为完全独立的问题。我们提出了一个新的端到端的架构,广义传感器融合(GSF),这是设计在这样一种方式,传感器输入和目标任务是模块化的和可修改的。这使AV系统设计人员能够轻松地试验不同的传感器配置和方法,并能够使用大型工程组织共享的相同模型在异构车队上进行部署。使用这个系统,我们报告的实验结果,我们证明了一个昂贵的高密度(HD)激光雷达传感器与廉价的低密度(LD)激光雷达加相机设置在3D目标检测任务的近平价。这为行业联合设计硬件和软件架构以及具有异构配置的大型车队铺平了道路。
2021-12-01 cs.CV cs.RO
Localization under Topological Uncertainty for Lane Identification of Autonomous Vehicles
University of Massachusetts(马萨诸塞大学);Nissan Research Center(日产研究中心)
自动驾驶汽车(AV)需要准确的度量和拓扑位置估计,以实现安全、有效的导航和决策。虽然有许多高清(HD)路线图,但它们并不总是准确的,因为公共道路是动态的,由人类活动和自然不可预测地塑造。因此,AV必须能够处理地图指定的拓扑与现实不一致的情况。我们提出的可变结构多隐马尔可夫模型(VSM-HMM)作为一个框架,在拓扑不确定性的存在下进行本地化,并证明其有效性的AV车道成员建模为一个拓扑本地化过程。VSM-延迟使用延迟的动态集合来同时推理最可能的当前拓扑的集合内的位置,并且因此还可以应用于拓扑结构估计以及AV车道估计。此外,我们提出了一个扩展的地球移动器的距离,允许不确定性时,考虑到计算任意相对大小的单纯形的信念分布之间的距离。
2018-03-04 cs.AI cs.RO
Mimir: Hierarchical Goal-Driven Diffusion with Uncertainty Propagation for End-to-End Autonomous Driving
Institue of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);China University of Geosciences(中国地质大学);Fudan University(复旦大学)
Mimir通过不确定性传播和多速率指导机制,提升端到端自动驾驶中轨迹生成的鲁棒性和推理效率。
2025-12-08 cs.CV cs.RO
GAMMA: A General Agent Motion Model for Autonomous Driving
National University of Singapore(新加坡国立大学)
本文介绍了一种通用的运动预测模型,它可以为自动驾驶进行大规模实时仿真和规划。Gamma模型异构,交互式交通代理。它们在不同的道路条件下运行,具有各种几何和运动学约束。该算法将预测任务视为交通代理速度空间中的约束优化问题。我们的目标是优化代理的驾驶性能,同时遵守所有的约束,从代理的运动学,避免碰撞与其他代理,和环境背景。此外,为了解释通用的人类行为,<$MA明确地将人类行为状态的预测作为优化模型的参数。我们在一组真实世界的基准数据集上评估了GAMMA。实验结果表明,该算法在同构和异构流量数据集上均具有较高的预测精度,且执行时间为亚毫秒级。此外,GAMMA的计算效率和灵活性使(i)在全球许多地点模拟混合城市交通,以及(ii)在具有不确定驾驶员行为的密集交通中规划自动驾驶,两者都是实时的。Gamma的开源代码可在网上获得。
2022-04-26 cs.CV cs.RO
Using Ensemble Diffusion to Estimate Uncertainty for End-to-End Autonomous Driving
Norwegian University of Science and Technology(挪威科学技术大学)
提出EnDfuser系统,利用扩散模型作为轨迹规划器,通过集成扩散从单一感知帧生成候选轨迹分布,实现不确定性感知决策,在LAV基准上驾驶评分提升1.7%。
2026-05-22 cs.CV cs.RO
UncAD: Towards Safe End-to-end Autonomous Driving via Online Map Uncertainty
Key Laboratory of Safety Intelligent Mining in Non-coal Open-pit Mines, National Mine safety Administration, Guangdong Guangzhou, 510000, China(安全智能采矿非煤矿山重点实验室,国家矿山安全监察局,广东广州,510000,中国);The State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences(多模态人工智能系统国家重点实验室,自动化研究所,中国科学院);School of Artificial Intelligence, University of Chinese Academy of Sciences, Beijing, China(人工智能学院,中国科学院大学,北京,中国);EACON, Fujian, China(福建中国EACON)
UncAD通过引入在线地图不确定性,提升自动驾驶安全性,减少碰撞和冲突率。
2025-04-17 cs.CV cs.RO
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
Decentralized Decision-Making among Heterogeneous Autonomous Vehicles: An $α$-Potential Game Framework
Columbia University(哥伦比亚大学);Imperial College London(帝国理工学院)
本文提出 $\alpha$-势博弈框架,将异构自动驾驶车辆去中心化决策的近似纳什均衡计算简化为单势函数最小化,并通过车辆特定缩放收紧近似,实验验证了其在多种交通场景下的有效性。
2026-10-01 cs.GT cs.MA math.OC
Optimal Tolling for Heterogeneous Traffic Networks with Mixed Autonomy
当人们选择的路线,以尽量减少他们的旅行时间,总的经验,延迟,或社会成本,可能会显着大于,如果人们遵循的路线分配给他们的社会规划者。当人类驾驶员与自动驾驶汽车共享道路时,这种影响会加剧。当路线优化时,自动驾驶汽车可以使交通网络更有效,但当自私地行事时,自动驾驶汽车的引入实际上会加剧拥堵。我们试图通过收费影响路由选择来减轻这种影响。我们考虑具有异构仿射延迟函数的平行道路网络,这意味着由于自动驾驶汽车的存在而增加的容量可能会因道路而异。我们表明,如果人类驾驶员和自动驾驶用户有相同的通行费,社会成本可能会比最佳路线时更差。然后,我们证明质量的最优路由,并使用它们来设计收费,保证在平衡时社会成本最小化。据我们所知,这是第一个收费计划,产生一个独特的社会最佳平衡的并行异构网络与仿射延迟函数。
2019-09-25 math.OC
Trajectories and Platoon-forming Algorithm for Intersections with Heterogeneous Autonomous Traffic
针对异构自动驾驶车辆的交叉口管控问题,提出基于编队形成的准入控制系统,给出可快速计算且可解释的安全高效轨迹闭式解,并数值评估其通行能力。
2024-01-24 cs.SY eess.SY math.OC
Path Planning for Multiple Heterogeneous Unmanned Vehicles with Uncertain Service Times
Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室);Wayne State University(韦恩州立大学);Air Force Research Laboratory(空军研究实验室)
本文提出了一个框架,并制定解决路径规划问题的多个异构无人机(UV)与不确定的服务时间为每个车辆-目标对。车辆将受到与其总服务时间超过预设常数的持续时间成比例的惩罚。这些车辆的运动限制不同,在任务开始时位于不同的仓库。车辆还可以配备不同的传感器。目标是为每辆车找到一个在其各自的停车场开始和结束的行程,使得每个目标都被某辆车访问和服务,同时最小化总行驶距离和所有车辆所产生的预期惩罚之和。我们制定的问题作为一个两阶段的随机程序与追索权,目前的理论性质的制定和优势,使用这样的制定,而不是一个确定性的期望值制定,来解决这个问题。大量的数值模拟也证实了所提出的方法的有效性。
2017-02-24 cs.RO math.OC
Diversity Dependent Uncertainty Management for Hydrocarbon Stimulation in Uncertain Heterogeneous Reservoir with Improved Efficiency
通过水力压裂的油气井增产的历史的特征在于追求针对储层性质的最优设计。然而,与许多工程系统一样,在这些确定性方法中没有考虑可变性和不确定性(在这种情况下是储层性质)的影响。我们提出了一个扩展的设计多样性的原则,其中的重点成为开发多个设计的最佳组合,而不是重复应用一个单一的设计。这种方法可以大大提高效率和降低风险时,设计系统的结果的可取性是可定义为一个平滑变化的效率和风险是相关的结果的方差与不确定的可变性的设计环境。对于油气井,我们证明了不同的设计组合可以将增产效率提高近四倍,并将与结果的可变性和不确定性相关的风险降低80%以上。因此,水力压裂优化从根本上取决于不确定性,并且朝着追求设计多样性的方法的改变可以对石油和天然气开发中的效率和风险以及成本和环境影响产生深远的影响。
2020-11-27 math.OC
Moment-Based Exact Uncertainty Propagation Through Nonlinear Stochastic Autonomous Systems
Computer Science and Artificial Intelligence Laboratory (CSAIL)(计算机科学与人工智能实验室(CSAIL));Massachusetts Institute of Technology (MIT)(麻省理工学院(MIT))
本文研究了非线性随机动力系统的不确定性传播问题。更确切地说,给定一个离散时间连续状态概率非线性动力系统,我们的目标是找到系统状态的概率分布的矩序列,在给定的规划范围内达到任何期望的顺序。不确定状态的矩可用于随机动力系统的估计、规划、控制和安全分析。解决矩传播问题的现有方法提供了矩的近似描述,并且主要限于特定的不确定性集合,例如,高斯扰动在本文中,描述不确定状态的时刻,我们引入三角和混合三角多项式矩。这样的时刻,使我们能够获得封闭的确定性动力系统,描述了一个重要的自治和机器人系统,包括水下,地面和空中车辆,机器人手臂和步行机器人的不确定状态的时刻的确切时间演变。这样获得的确定性动力系统可以以滚动时域的方式用于在规划时域上实时传播不确定性。为了说明所提出的方法的性能,我们基准我们的方法对现有的方法,包括线性,无迹变换,和基于采样的不确定性传播方法,广泛用于估计,预测,规划和控制问题。
2021-01-29 cs.RO cs.SY eess.SY
Neural Network-based Constrained Optimal Coordination for Heterogeneous Uncertain Nonlinear Multi-agent Systems
本文研究了一类由高阶动力学描述的非线性多智能体系统的约束最优协调问题。每个智能体都有一个私有的目标函数和一个关于其输出的稳态约束。通过内模和神经网络的结合,我们为每个智能体开发了一个复合分布式控制器。所有的代理输出被证明达到约束最小点的聚合目标函数有界的残差,而不考虑未知的非线性和外部干扰。最后给出了两个算例,验证了算法的有效性.
2022-04-24 cs.SY eess.SY math.OC