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
Planning and Learning: Path-Planning for Autonomous Vehicles, a Review of the Literature
Safran(赛峰集团);Ecoles Saint-Cyr(圣西尔军校)
本文综述了自动驾驶汽车路径规划领域的规划、调度与学习技术,涵盖规划算法、神经网络、图神经网络、强化学习及处理不确定性的时序规划。
2023-10-17 cs.AI
Vehicle Fault-Tolerant Robust Power Transmission Line Inspection Planning
Czech Technical University(捷克理工大学);Faculty of Electrical Engineering(电气工程学院)
本文将输电线路的容错巡检规划问题作为多旅行商问题的推广。所解决的检查规划问题制定为一个单一的仓库多辆车的情况下,检查车辆的电池预算限制其检查时间的约束。检查车辆被假定为自主多直升机,具有影响电池消耗的广泛的可能飞行速度。检查计划由车辆的多条路线表示,提供对检查目标电力线的完全覆盖。在执行检查计划期间随时可能发生检查车辆任务中断的情况下,将利用剩余车辆及其剩余电池预算重新规划检查。鲁棒性是通过为初始计划选择一个合适的成本函数来引入的,该成本函数最大化了成功重新规划的时间窗口。它使剩余车辆能够利用各自的剩余电池预算成功完成所有检查目标。一个组合的元启发式算法与各种成本函数用于规划和快速重新规划过程中的检查。
2023-02-02 cs.AI cs.RO
Efficient Energy-Optimal Path Planning for Electric Vehicles Considering Vehicle Dynamics
Monash University(莫纳什大学);RMIT University(皇家墨尔本理工大学)
本文研究车辆动力学对电动车能量最优路径规划的影响,提出数据驱动模型和在线重加权方法,提升路径规划效率。
2026-03-26 cs.AI
Towards Scalable & Efficient Interaction-Aware Planning in Autonomous Vehicles using Knowledge Distillation
Honda Research Institute(本田研究所)
本文提出利用知识蒸馏训练更小的预测网络,在保持交互感知轨迹规划精度的同时显著加速自动驾驶汽车的约束优化求解过程。
2024-04-02 cs.AI cs.LG cs.RO
Long-Range Route-planning for Autonomous Vehicles in the Polar Oceans
British Antarctic Survey(英国南极调查局);Schlumberger Cambridge Research(斯伦贝谢剑桥研究院)
在极地冰情条件下,对有人驾驶的自主水下航行器(AUV)的需求越来越大。目前,AUV是从船上部署的,并直接由人类驾驶,在这些地区,这带来了很高的碳成本,并限制了作业范围。长期自主任务的一个关键要求是远程路线规划能力,这种能力能够了解不断变化的冰况。在本文中,我们解决的问题,自动化远程航线规划的AUV在南大洋。我们提出的路线规划方法和结果表明,有效的,避免冰,长距离的穿越可以计划。
2021-11-20 cs.AI cs.RO
Deep Learning Based Motion Planning For Autonomous Vehicle Using Spatiotemporal LSTM Network
Beijing Jiaotong University(北京交通大学)
运动规划作为自主车辆自动导航的基础技术,在现实交通环境中仍然是一个具有挑战性的问题,主要应用于基于模型的方法。然而,由于交通状况的复杂性和边缘情况的不确定性,很难为自主车辆设计通用的运动规划系统。本文提出了一种基于深度学习的运动规划模型(称为时空LSTM网络),它能够基于时空信息提取生成实时反射。具体来说,基于时空LSTM网络的模型有三个主要结构。首先,使用卷积长短期记忆(Conv-LSTM)从序列图像数据中提取隐藏特征。然后,应用3D卷积神经网络(3D-CNN)从多帧特征信息中提取时空信息。最后,全连接神经网络被用来构建自主车辆转向角的控制模型。实验结果表明,该方法能够为自主车辆生成鲁棒、准确的视觉运动规划结果。
2019-03-05 cs.AI cs.CV
Decentralized Cooperative Planning for Automated Vehicles with Hierarchical Monte Carlo Tree Search
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);FZI Research Center for Information Technology(FZI信息技术研究中心)
今天的自动驾驶汽车缺乏与他人进行隐性合作的能力。本文提出了一种基于蒙特卡罗树搜索(MCTS)的方法,用于异构环境中自动驾驶汽车的分布式协作规划。基于其他代理和解耦UCT(MCTS的一个变种)的合作建模,该算法评估的状态动作值的每个代理在一个合作和分散的方式,明确地建模交通参与者之间的相互依赖的行动。宏操作允许在多个时间步长上的时间扩展,并增加有效的搜索深度,需要更少的迭代来规划更长的视野。没有预定义的宏动作的策略,该算法同时学习宏动作上和宏动作内的策略。该方法在几种冲突场景下进行了评估,表明该算法可以在异构环境中实现有效的协同规划与学习的宏动作。
2018-07-25 cs.AI
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
Autonomy and Unmanned Vehicles Augmented Reactive Mission-Motion Planning Architecture for Autonomous Vehicles
硬件技术的进步促进了复杂软件的更多集成,以增强无人驾驶车辆(UV)的开发并减轻车载智能的限制。因此,无人机可以在复杂的任务中运行,在这些任务中,环境条件的持续变化需要更高水平的态势响应和自主决策。这本书是一本研究专著,旨在提供一个全面的调查紫外线的自主性及其相关属性,在内部和外部的情况意识,病房强大的任务规划在恶劣的条件下。先进的智能水平对于最大限度地减少对人类主管的依赖至关重要,这是自主性的主要概念。自控系统需要一个强大的任务管理策略,以推动边界向自主结构,UV应该知道其内部状态和能力,以评估当前的任务目标是否可以实现或找到替代解决方案。在本书中,AUV将成为主要的案例研究线索,但其他情况/类型的车辆也将被考虑。事实上,我们开发的研究专著,回顾章节和新方法将适合用作高年级或研究生学位的参考,因为它涵盖了与机器人/车辆规划,任务分配,路由和信任相关的文献和算法。
2020-07-19 cs.AI
Electric Vehicle Charging Infrastructure Planning: A Scalable Computational Framework
Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室)
由于交通系统和电网的网络规模不断增加,在大地理空间区域上的最优充电基础设施规划问题具有挑战性。因此,电动车辆行驶行为和充电事件之间的耦合是复杂的。本文重点介绍了一个可扩展的计算框架的示范电动汽车充电基础设施规划在紧密集成的交通和电网网络。在交通方面,充电配置文件生成策略,提出了利用电动汽车的能源消耗模型,行程路线,和充电器选择方法。在电网侧,利用遗传算法内的最优潮流程序来解决最优充电器放置问题的整数变量,通过自适应地评估候选解决方案在当前迭代和生成新的解决方案,为下一次迭代。
2020-11-17 cs.AI cs.NE eess.SP
Dual Formulation for Chance Constrained Stochastic Shortest Path with Application to Autonomous Vehicle Behavior Planning
Khalifa University(哈利法大学)
自动驾驶车辆面临的问题是优化后续机动的预期性能,同时限制与周围动态障碍物碰撞的风险。这些障碍物,如代理车辆,往往表现出随机过渡,应及时和安全的方式。约束随机最短路径问题(C-SSP)是在随机环境中,在某些类型的操作约束下规划的一种形式。虽然C-SSP允许在规划问题中指定约束,但它不允许限制约束违反的概率,这在安全关键应用中是期望的。这项工作的第一个贡献是一个确切的整数线性规划制定的机会约束SSP(CC-SSP),达到确定性的政策。其次,随机舍入过程中提出的随机政策。第三,我们证明了CC-SSP形式主义可以推广到跨越多个时间步长的约束。评估结果表明,我们的方法在基准问题相比,现有的方法是有用的。
2023-02-25 cs.AI
SafeGen-LLM: Enhancing Safety Generalization in Task Planning for Robotic Systems
University of Notre Dame(诺丁汉大学);Washington State University(华盛顿州立大学);University of Pennsylvania(宾夕法尼亚大学)
SafeGen-LLM通过两阶段框架提升机器人任务规划的安全性泛化能力,优于现有基线。
2026-02-27 cs.AI cs.RO
Epsilon-Safe Planning
Honeywell Technology Center(霍尼韦尔技术中心)
我们介绍了一种高层次的条件规划,我们称之为ε-安全规划的方法。这种概率方法要求我们计划满足某些特定目标,对于某些用户提供的目标,成功的概率至少为1- 1/2。我们描述了几种算法的基础上的条件规划ε安全规划。我们讨论的两个条件规划者是Peot和Smith的非线性条件规划者CNLP和我们自己的线性条件规划者PLINTH。我们提出了一个简单的扩展条件规划,计算必要的概率是简单的,采用一个常见的,但可能过于强大的独立性假设。我们还讨论了第二种方法,ε安全规划放松这种独立性假设,涉及的概率依赖模型的增量建设结合建设的计划图。
2013-02-27 cs.AI
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
Safe Mission Planning under Dynamical Uncertainties
ETH Zürich(苏黎世联邦理工学院)
研究了不确定动态环境下机器人的安全任务规划问题。这个问题出现在监控、紧急救援和自动驾驶等应用中。这是一个具有挑战性的问题,由于建模和集成动态的不确定性到一个安全的规划框架,并找到一个解决方案,在计算上易于处理的方式。在这项工作中,我们首先开发了一个概率模型的动态不确定性。然后,我们提供了一个框架,以生成一个路径,最大限度地提高复杂任务的安全性,结合不确定性模型。我们还设计了一个蒙特卡罗方法,以获得一个安全的路径有效。最后,我们评估了我们的方法的性能,并将其与几个案例研究中的潜在替代方案进行比较。
2020-03-05 cs.AI cs.RO
Formal Safety Guarantees for Autonomous Vehicles using Barrier Certificates
本文提出一种结合屏障证书与时间到碰撞度量的形式验证安全框架,通过SMT求解器和自适应控制机制,提升自动驾驶车辆的安全性和可解释性。
2026-01-08 cs.AI cs.RO cs.SE
SafeInferCom: Safe Inference-Time Compute via Verifier-Guided Mid-Generation Intervention for Robotic Task Planning
University of Notre Dame(圣母大学);Washington State University(华盛顿州立大学)
针对大型推理语言模型用于机器人任务规划时的推理可靠性与计算浪费问题,提出SafeInferCom框架,通过验证器引导的生成中干预提升规划成功率、加速错误修正并减少token使用,经多模型、多领域及真实机械臂验证有效。
2026-10-09 cs.AI cs.CL cs.LO
Collaborative vehicle routing: a survey
University of Vienna(维也纳大学)
在横向合作中,承运人结成联盟,以便共同执行其部分物流业务。通过相互交换运输请求,它们可以更有效地运营,并以更可持续的方式运营。协作车辆路径已在文献中得到广泛讨论。我们确定了三个主要的研究流:(i)集中的协作规划,(ii)分散的计划,没有拍卖,(ii)基于拍卖的分散的规划。对于他们中的每一个,我们给出了一个结构化的知识状态的概述,并讨论未来的研究方向。
2017-06-13 cs.AI cs.CY cs.MA