Socially Integrated Navigation: A Social Acting Robot with Deep Reinforcement Learning
FZI Research Center for Information Technology（FZI信息技术研究中心）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
本文提出一种社交集成导航方法，使机器人社交行为通过深度强化学习从人机交互中自适应涌现，仿真表明其导航性能优于社交感知方法且减少对环境智能体的负面影响。
2024-07-26 cs.AI cs.LG cs.RO
Socially-Compatible Behavior Design of Autonomous Vehicles with Verification on Real Human Data
Beihang University（北京航空航天大学）；University of California, Berkeley（加州大学伯克利分校）
随着越来越多的自动驾驶汽车（AV）被部署在公共道路上，为它们设计社会兼容的行为变得越来越重要。为了产生安全和有效的行动，自动驾驶汽车不仅需要预测其他交通参与者的未来行为，而且还需要意识到与这种行为预测相关的不确定性。在本文中，我们提出了一个不确定性感知的集成预测和规划（UAPP）框架。它允许自动驾驶汽车在线推断其他道路使用者的特征，并产生优化行为，不仅优化他们自己的奖励，而且优化他们对他人的礼貌，以及他们对预测不确定性的信心。我们首先提出了礼貌和信任的定义。在此基础上，探讨了它们对交互式驾驶场景中无人驾驶汽车行为的影响。此外，我们评估所提出的算法自然的人类驾驶数据，通过比较所产生的行为对地面真相。结果表明，在线推理可以显着提高生成的行为的人性化。此外，我们发现人类司机对他人表现出极大的礼貌，即使是那些没有通行权的人。我们还发现，这种驾驶偏好在不同的文化中有很大差异。
2022-06-24 cs.AI cs.LG cs.RO
Towards Socially Responsive Autonomous Vehicles: A Reinforcement Learning Framework with Driving Priors and Coordination Awareness
Tongji University（同济大学）
本文提出一种结合驾驶先验学习与协调倾向量化的强化学习框架，通过多头注意力策略网络提升自动驾驶汽车在混合交通中的决策质量并促使其产生社会协调行为。
2023-09-18 cs.RO
Towards a Socially Acceptable Competitive Equilibrium in Energy Markets
针对竞争均衡可能不公平且价格过高的问题，本文提出通过分散修改效用函数并引入动态反馈控制器，引导原对偶梯度动态达到社会可接受的竞争均衡。
2024-09-06 cs.SY eess.SY math.OC
Editing Driver Character: Socially-Controllable Behavior Generation for Interactive Traffic Simulation
University of California, Berkeley（加州大学伯克利分校）
交通仿真在评估和改进自动驾驶规划系统中起着至关重要的作用。在部署在公共道路上之后，自动驾驶车辆需要与具有不同社会偏好的人类道路参与者进行交互（例如，自私或有礼貌的人类司机）。为了确保自动驾驶汽车在不同的交互式交通场景中采取安全有效的机动，我们应该能够在仿真环境中对具有不同社会特征的反应型代理评估自动驾驶汽车。为此，我们提出了一个社会可控的行为生成（SCBG）模型，它允许用户指定生成的轨迹的礼貌水平，同时通过从现实世界的驾驶数据中学习，确保现实和人性化的轨迹生成。具体来说，我们定义了一种新颖的可区分的衡量标准来量化驾驶行为的礼貌水平，利用从真实驾驶数据中训练的边际和条件行为预测模型。建议的礼貌措施，使我们能够自动标记礼貌水平的轨迹从现实世界的驾驶数据和方便地训练的SCBG模型生成轨迹的基础上输入礼貌值。我们在Waymo开放运动数据集（WOMD）上检查了SCBG模型，并表明我们能够控制SCBG模型以生成具有所需礼貌水平的真实驾驶行为。有趣的是，我们发现SCBG模型能够根据场景识别礼貌行为的不同运动模式。
2023-03-24 cs.AI cs.LG cs.RO
Socially Aware Kalman Neural Networks for Trajectory Prediction
轨迹预测是机器人和自主车辆导航中的一项关键技术。然而，复杂的交通和动态的不确定性产生了挑战的有效性和鲁棒性的建模。我们的目的是一个数据驱动的方法社会感知卡尔曼神经网络（SAKNN）的交互层和卡尔曼层嵌入在架构中，从而产生一类架构具有巨大的潜力，直接从高方差传感器输入学习，并鲁棒地生成低方差的结果。在NGSIM数据集上对我们的方法进行的评估表明，SAKNN在相对较长的时间范围内具有最先进的预测效果，并显着提高了预测信号的信噪比。
2019-06-26 cs.CV cs.RO
Efficient Game-Theoretic Planning with Prediction Heuristic for Socially-Compliant Autonomous Driving
University of California, Berkeley（加州大学伯克利分校）；Carnegie Mellon University（卡内基梅隆大学）
在与其他智能体的社会交互下进行规划是自动驾驶的一个基本问题。由于自主车辆在交互中的动作影响其他智能体并且也受到其他智能体的影响，因此自主车辆需要有效地推断其他智能体的反应。大多数现有的方法制定的问题作为一个广义的纳什均衡问题，解决基于优化的方法。但是，由于非凸性，它们需要大量的计算资源，并且容易陷入局部极小。蒙特卡罗树搜索（MCTS）成功地解决了博弈论问题中的这类问题。然而，随着交互博弈树呈指数级增长，一般MCTS仍然需要大量的迭代才能达到最优。在本文中，我们介绍了一个有效的博弈论轨迹规划算法的基础上，通过将预测算法作为一种启发式的一般MCTS。在此基础上，设计了一个符合社会要求的奖励和贝叶斯推理算法，以产生不同的驾驶行为，并识别其他驾驶员的驾驶偏好。结果表明，所提出的框架与数据集包含自然驾驶行为在高度互动的情况下的有效性。
2022-07-08 cs.RO
SocialTraj: Two-Stage Socially-Aware Trajectory Prediction for Autonomous Driving via Conditional Diffusion Model
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
SocialTraj通过贝叶斯逆强化学习估计社会价值取向，并结合条件扩散模型与自车规划轨迹，实现社会感知且行为一致的多模态轨迹预测，在NGSIM和HighD上优于现有方法。
2025-09-22 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
Socially reactive navigation models for mobile robots in dynamic environments
Instituto Superior Técnico（高等技术学院）
本研究提出自适应空间模型与改进的姿态估计算法，使移动机器人在动态环境中能社会可接受地近距离接近个人或群体，并通过仿真和实验验证其有效性。
2023-10-15 cs.RO
RACE-SM: Reinforcement Learning Based Autonomous Control for Social On-Ramp Merging
School of Mechanical and Aerospace Engineering, Queen’s University Belfast（贝尔法斯特女王大学机械与航空航天工程学院）
针对人类驾驶交通中的平行式匝道合流难题，提出基于深度强化学习的新模型RACE-SM，利用社会价值取向加权自车与周围车辆效用，实现社会可接受的加速与变道决策，仿真证明其碰撞率不劣于现有方法且更具社交礼貌性。
2024-03-15 cs.AI cs.LG cs.RO
Follow me: an architecture for user identification and social navigation with a mobile robot
University of Modena and Reggio Emilia（摩德纳与雷焦艾米利亚大学）
本文提出一种移动机器人架构，结合计算机视觉、机器学习与人工智能算法实现用户识别和社会导航，以提升人机交互的直观性与友好性。
2024-05-02 cs.RO
Socially-Aware Autonomous Driving: Inferring Yielding Intentions for Safer Interactions
School of Mechanical and Aerospace Engineering, Queen’s University Belfast（女王大学贝尔法斯特机械与航空航天工程学院）；Department of Mechanical and Industrial Engineering, Concordia University（Concordia大学机械与工业工程系）；State Key Laboratory of Advanced Design and Manufacturing Technology for Vehicle, College of Mechanical and Vehicle Engineering, Hunan University（湖南大学车辆先进设计与制造技术国家重点实验室，机械与车辆工程学院）；James Watt School of Engineering, University of Glasgow（格拉斯哥大学詹姆斯·瓦特工程学院）
提出基于DAG的社交意图估计算法与DRL决策框架，解决自动驾驶变道中周围人类车辆意图模糊问题，提升变道安全性与效率。
2025-04-28 cs.LG cs.RO
CyRes -- Avoiding Catastrophic Failure in Connected and Autonomous Vehicles (Extended Abstract)
WMG, University of Warwick（华威大学WMG学院）；Thales（泰雷兹集团）；University of Bristol（布里斯托大学）；Imperial College London（伦敦帝国学院）
汽车行业现有的网络安全和监管方法无法达到确保先进汽车技术和智能移动系统安全大规模部署所需的结果质量。如果没有可持续的韧性，来之不易的公众信任就会消失，使正在出现的提高未来交通效率、安全和环境影响的全球倡议脱轨。本文介绍了一种适用于标准化的可操作网络弹性方法CyRes。CyRes方法本身可以在法庭上或由公众指定的监管机构进行测试。它的设计是为了让操作人员了解它应该产生什么样的证据，并能够衡量证据的质量。所提出的证据可以在法庭上或由政府任命的监管机构进行检验。因此，CyRes方法所应用的现实世界系统能够在任何时候和任何地方以法律和社会可接受的负面后果值运行。
2020-07-03 cs.CR cs.CY cs.RO
Scalable High-Speed Lateral Control for Single-Body and Articulated Autonomous Vehicles
本文提出一种可扩展横向控制框架，通过对基于回旋曲线的控制器改进，结合灵活跟踪点选择与仿真验证，实现单体与铰接式自动驾驶车辆的高速鲁棒路径跟踪。
2026-08-11 cs.RO cs.SY eess.SY
SACA: A Scenario-Aware Collision Avoidance Framework for Autonomous Vehicles Integrating LLMs-Driven Reasoning
Tsinghua University（清华大学）；University of Michigan（密歇根大学）；University of Wisconsin–Madison（威斯康星大学麦迪逊分校）；Beijing Institute of Technology（北京理工大学）
针对极端场景下自动驾驶避撞难题，本文提出SACA框架，融合场景预测分析、LLM数据驱动在线推理与离线记忆评估，并通过预计算策略提升部署性能。
2025-06-11 cs.RO cs.SY eess.SY
A Diversity Analysis of Safety Metrics Comparing Vehicle Performance in the Lead-Vehicle Interaction Regime
Transportation Research Center Inc.（运输研究中心有限公司）；National Highway Traffic Safety Administration（美国国家公路交通安全管理局）
本文以前车交互运行设计域为统一比较基准，分析了1967至2022年间33个基础指标及51个变体的构造与经验性能差异，指出安全指标在概念接受和经验论证上均存在挑战。
2023-06-26 cs.RO cs.SY eess.SY
Characterizing Human Feedback-Based Control in Naturalistic Driving Interactions via Gaussian Process Regression with Linear Feedback
Electrical & Comp. Eng., Univ. of New Mexico（新墨西哥大学电气与计算机工程系）；Information Science, Cornell Tech（康奈尔科技学院信息科学系）
通过高斯过程回归与线性反馈分析自然驾驶互动中的人类反馈控制，研究驾驶员策略形成机制及群体差异。
2025-12-09 cs.RO cs.SY eess.SY
Self-Perception Versus Objective Driving Behavior: Subject Study of Lateral Vehicle Guidance
Institute for Driver Assistance and Connected Mobility, University of Applied Science Kempten（肯普滕应用科学大学驾驶辅助与互联移动研究所）；Department of Automotive Engineering, Technical University Berlin（柏林工业大学汽车工程系）
本文通过62名德国驾驶员的受控实车研究，提出评估横向弯道通过行为的新指标，并引入德语版多维驾驶风格量表MDSI-DE，发现自我报告与客观横向驾驶行为仅存在适度相关且个体差异显著，为个性化自动驾驶横向控制提供数据支持。
2024-02-21 cs.RO cs.SY eess.SY
Game and Simulation Design for Studying Pedestrian-Automated Vehicle Interactions
Michigan State University（密歇根州立大学）；National Technical University of Athens（雅典国家技术大学）；Open University of Cyprus（塞浦路斯开放大学）
目前的跨学科研究探讨了在安全的虚拟环境中的无人驾驶汽车与自动驾驶汽车的交互。我们首先介绍了该领域的当代工具，然后提出了一个新的应用程序，促进行人的观点研究的设计和开发。我们进行了一个三步用户体验实验，参与者在各种场景下使用应用程序之前和之后回答问题。虚拟中的行为结果，特别是当有后果时，往往能够很好地模拟现实生活，以做出设计选择，我们对人/车交互有了宝贵的见解。我们的工具似乎开始提高参与者对自动驾驶汽车及其能力和局限性的认识，这是克服公众对自动驾驶汽车不信任的重要一步。此外，研究用户如何尊重或利用AV可能有助于为未来的操作模式指标设计以及可能支持社会最佳AV操作的算法偏差提供信息。
2021-09-30 cs.CY cs.HC cs.RO
Socially Compatible Control Design of Automated Vehicle in Mixed Traffic
在车辆跟驰场景中，自动驾驶车辆（AV）通常规划运动而不考虑其动作对后续人类驾驶员的影响。本文旨在利用这些影响，以规划更有效的和社会所需的AV行为在人与AV的互动。具体来说，我们引入了一个社会兼容的控制设计的AV，有利于混合交通的汽车以下的情况。该设计通过将心理学中的社会价值取向整合到其决策过程中，使人-AV交互中的利他AV成为可能。利他AV通过优化其自身的奖励和对纵向运动中的以下人类驾驶员的原始计划的礼貌来生成社会期望的行为。结果表明，与利己自动驾驶相比，利他自动驾驶显著地避免了对后车驾驶员初始计划的干扰，并使后车驾驶员的跟车间隔距离和车头时距显著减小.此外，我们研究了社会兼容的控制设计与不同的利他主义水平的AV使用统计评估的影响。结果共同证明了显着改善交通水平的指标作为一个结果的AV的利他行为在人类AV的互动。
2021-12-03 cs.SY eess.SY
Social Shaping for Transactive Energy Systems
本文考虑了在一个交易型能源系统中，如何塑造代理效用函数，以确保竞争均衡下的最优能源价格总是社会可接受的，即低于一个规定的阈值。分布式能源系统中的代理人的目标是最大化他们的个人收益，作为能源消耗的效用和能源交换的收入/支出的组合。每个代理的效用函数由个人偏好向量参数化，整个系统运行在竞争平衡。我们表明，社会塑造问题的建议transactive能源系统是概念上捕获的一组决策问题。一组代理偏好，保证社会上可接受的价格的特点是一个隐式代数方程的严格凹和连续可微的效用函数。我们还提出了两个分析解决方案，其中线性二次效用和分段线性效用的系数的严格范围内建立的最优定价被证明总是社会可接受的。
2021-09-27 cs.SY eess.SY
Socially Compliant Control of Autonomous Vehicles with Application to Eco-Driving
本研究提出一种基于社会价值取向（SVO）的自动驾驶车辆社会合规控制框架，通过加权最大化AV与后方人类驾驶车辆的效用，并利用Pontryagin最小值原理求解最优控制问题，应用于生态驾驶，实验验证了其有效性。
2024-01-01 cs.SY eess.SY
Uncertainty-Aware DRL for Autonomous Vehicle Crowd Navigation in Shared Space
University of Waterloo（滑铁卢大学）
提出一种不确定性感知的DRL方法，通过新颖奖励函数纳入行人预测不确定性，在真实行人仿真环境中训练，显著降低碰撞率并提升安全距离，优于现有模型和MPC方法。
2024-05-22 cs.AI cs.LG cs.RO
Sky-Drive: A Distributed Multi-Agent Simulation Platform for Human-AI Collaborative and Socially-Aware Future Transportation
Department of Civil and Environmental Engineering, University of Wisconsin-Madison（土木与环境工程系，威斯康星大学麦迪逊分校）；Lyles School of Civil and Construction Engineering, Purdue University（莱尔斯土木与建设工程学院，普渡大学）；Elmore Family School of Electrical and Computer Engineering, Purdue University（埃尔摩家族电气与计算机工程学院，普渡大学）；Department of Computer Science and Engineering, The University of Texas at Arlington（计算机科学与工程系，德克萨斯大学阿灵顿分校）；Google（谷歌）
Sky-Drive是一个分布式多智能体仿真平台，通过分布式架构、人在环路框架、人机协同机制和数字孪生，支持社会感知交通研究，推动人本自主交通系统发展。
2025-05-27 cs.AI cs.HC cs.RO
StylePredict: Machine Theory of Mind for Human Driver Behavior From Trajectories
University of Maryland, College Park（马里兰大学帕克分校）
研究表明，自动驾驶汽车（AV）在由人类驾驶员组成的交通环境中表现保守，不适应当地条件和社会文化规范。众所周知，如果存在理解人类驾驶员行为的机制，则可以设计具有社会意识的AV。我们提出了一种机器心智理论（M-ToM）的概念，通过观察车辆的轨迹来推断人类驾驶员的行为。我们的M-ToM方法，称为StylePredict，是基于车辆的轨迹分析，这已在机器人和计算机视觉的研究。StylePredict模仿人类ToM来推断驾驶员行为或风格，使用图论技术（包括频谱分析和中心性函数）在交通中提取的车辆轨迹和驾驶员行为之间进行计算映射。我们使用StylePredict来分析美国，中国，印度和新加坡不同文化中的驾驶员行为，基于交通密度，异质性和遵守交通规则，并观察纵向（超速）和横向（超车，变道）驾驶风格之间的负相关性。
2020-11-11 cs.RO
Cooperative Autonomous Vehicles that Sympathize with Human Drivers
University of Central Florida（中佛罗里达大学）；Stanford University（斯坦福大学）；University of California, Santa Barbara（加州大学圣巴巴拉分校）
在开发出使这些智能代理与人类共存的解决方案之前，自动驾驶汽车的广泛采用不会成为现实。这包括安全有效地与人类驾驶的车辆进行交互，特别是在冲突和竞争的情况下。我们建立在先前关于社会意识导航的工作基础上，并从心理学中借用社会价值取向的概念-正式确定一个人对他人福利的重视程度-以诱导自动驾驶中的利他行为。与现有的明确模拟人类驾驶员的行为，并依赖于他们的预期反应，以创造合作的机会，我们的同情合作驾驶（SymCoDrive）范式培训利他代理，实现安全和顺畅的交通流在竞争激烈的驾驶场景中，只有从经验学习，没有任何明确的协调。我们证明了显着的改善，在安全和交通水平的指标，作为这种利他主义的行为的结果，并得出重要的结论，利他主义的代理水平需要适当的调整，因为代理太利他主义也导致次优的交通流量。代码和补充材料可在以下网址获得：https://symcodrive.toghi.net/
2021-07-02 cs.RO
Designing Autonomous Vehicles: Evaluating the Role of Human Emotions and Social Norms
Iqra University（伊克拉大学）；COMSATS（COMSATS大学）
本文提出通过引入社会规范合规机制，使自动驾驶车辆遵循道路与社会规则，利用模糊逻辑和情绪计算提升决策能力，通过模拟验证其在减少碰撞方面的有效性。
2017-08-06 cs.AI cs.CY cs.MA
Altruistic Maneuver Planning for Cooperative Autonomous Vehicles Using Multi-agent Advantage Actor-Critic
University of Central Florida（中佛罗里达大学）；Stanford University（斯坦福大学）；University of California, Santa Barbara（加州大学圣巴巴拉分校）
本文提出一种多智能体优势Actor-Critic算法，用于自动驾驶车辆在混合交通环境中的利他性动作规划，以提升交通效率与安全。
2021-07-12 cs.AI cs.RO
Sense-Assess-eXplain (SAX): Building Trust in Autonomous Vehicles in Challenging Real-World Driving Scenarios
University of Oxford（牛津大学）；Aalborg University（奥尔堡大学）
本文讨论了正在进行的工作，在具有挑战性的驾驶场景中的移动自动驾驶示范研究。在我们的方法中，我们解决了基本的技术问题，以克服大规模部署自治系统的保证和监管的关键障碍。为此，我们介绍了我们如何构建机器人，（1）可以使用传统和非传统的传感器强大地感知和解释他们的环境;（2）可以评估自己的能力;（3）为了保证和信任，可以提供解释和评估的因果解释。由于机器人的安全性和可靠性至关重要，我们设计，开发和展示了现实世界应用中的基础技术，以克服阻碍当前在经济和社会重要领域部署机器人的关键障碍。最后，我们描述了一个不寻常的，罕见的，非常有价值的数据集的收集正在进行的工作。
2020-05-05 cs.CY cs.RO
PiP: Planning-informed Trajectory Prediction for Autonomous Driving
The Hong Kong University of Science and Technology（香港科技大学）；University of Science and Technology of China（中国科学技术大学）
预测周围车辆的运动对于自动驾驶规划至关重要，特别是以社会兼容和灵活的方式。然而，由于驾驶行为的相互作用和不确定性，未来的预测是具有挑战性的。我们提出规划知情的轨迹预测（PiP）来解决多智能体环境中的预测问题。我们的方法不同于传统的预测方式，传统的预测方式仅基于历史信息，与规划脱钩。通过通知预测过程与规划的自我车辆，我们的方法实现了国家的最先进的性能的多智能体预测高速公路数据集。此外，我们的方法使一个新的管道耦合的预测和规划，通过调节PiP的自我车辆的多个候选轨迹，这是非常有益的自动驾驶在交互式场景。
2021-01-18 cs.CV cs.RO
Learning-based social coordination to improve safety and robustness of cooperative autonomous vehicles in mixed traffic
本文提出基于多智能体强化学习的方法，通过量化自动驾驶车辆的社会偏好并引入利他主义，提升其在混合交通中与人类驾驶车辆协作的安全性和鲁棒性。
2022-11-22 cs.LG cs.RO
Interpretable and Flexible Target-Conditioned Neural Planners For Autonomous Vehicles
University of California San Diego（加州大学圣地亚哥分校）；Baidu Research（百度研究院）
针对自动驾驶中多可行规划问题，提出基于热图回归的可解释神经规划器，利用自适应高斯核、松弛沙漏损失和负高斯核监督实现多目标建模与避碰，在 Lyft 数据集上取得更安全灵活的驾驶表现。
2023-09-23 cs.LG cs.RO
Enhancing Social Decision-Making of Autonomous Vehicles: A Mixed-Strategy Game Approach With Interaction Orientation Identification
Tongji University（同济大学）
本文提出含交互取向识别、混合策略博弈建模与专家模式学习的自动驾驶决策框架，通过数据集和人在环实验验证可显著提升决策时机与精度。
2024-04-04 cs.RO
Algorithms for Routing of Unmanned Aerial Vehicles with Mobile Recharging Stations
Virginia Tech（弗吉尼亚理工大学）
研究了能量有限的无人机在最短时间内访问多个地点的规划问题。我们设想的情况下，无人机可以通过降落在固定充电站或无人地面车辆（UGV）作为移动充电站的方式进行充电。这导致了旅行商问题（TSP）与移动充电站的一个新变种。我们提出了一种算法，不仅可以找到访问网站的顺序，还可以找到何时何地登陆充电站充电。我们的算法为UGV规划行程，并确定放置固定充电站的最佳位置。虽然我们研究的问题是NP-Hard的，我们提出了一个实用的解决方案，使用广义TSP，找到最佳的解决方案。如果UGV较慢，则算法还找到支持UAV任务所需的UGV的最小数量，使得UAV不需要等待UGV。我们的模拟结果表明，运行时间是可以接受的合理大小的实例在实践中。
2017-09-18 cs.MA cs.RO
Control of Robotic Mobility-On-Demand Systems: a Queueing-Theoretical Perspective
在本文中，我们提出并分析了一个自动按需移动（MOD）系统的理论模型，其中机器人自动驾驶车辆在城市环境中运输客户并重新平衡自己，以确保整个网络的可接受的服务质量。我们在一个封闭的Jackson网络模型中构建了一个自治的MOD系统，该模型具有乘客损失。它示出了一个最佳的再平衡算法，最小化（自主）再平衡车辆的数量和保持车辆的可用性平衡整个网络可以找到通过求解线性规划。理论的见解被用来设计一个强大的，实时的再平衡算法，这是适用于纽约市的案例研究。该案例研究表明，目前曼哈顿的出租车需求可以通过大约8,000辆机器人车辆来满足（大约是目前出租车车队规模的60%）。最后，我们扩展我们的平衡理论设置，包括拥堵的影响，我们研究了自动再平衡车辆对整体拥堵的影响。总的来说，本文为自动驾驶车辆的全系统协调问题提供了一种严格的方法，并提供了机器人交通网络可持续性效益的第一个特征之一。
2014-04-16 cs.MA cs.RO
Safe, efficient and socially-compatible decision of automated vehicles: a case study of unsignalized intersection driving
与其他车辆安全、顺畅地交互是驾驶自动化的最终目标之一。然而，最近的自动驾驶汽车（AV）的示范性部署的报告表明，AV仍然难以满足其他交互驱动器的期望，这导致了一些涉及人类驾驶车辆（HV）的AV事故。这很可能是由于对动态交互过程缺乏了解，尤其是对人类驾驶员的了解。通过调查4,300个交通事故视频片段的原因，我们发现，驾驶员有限的动态视野是车辆间相互作用事故的主要因素之一，特别是在涉及卡车的事故中。提出了一种考虑社会相容性的博弈决策算法，用于处理无人驾驶卡车在无信号交叉口的相互作用。从卡车司机视野特征的概率模型出发，将决策中的社会适应性和互惠利他主义纳入博弈收益设计中。进行了人在回路实验，其中24名受试者被邀请驾驶和互动与所提出的算法和两个比较算法部署的自动驾驶汽车。通过对207个交叉口交互案例的分析表明，该决策算法不仅提高了安全性和时间效率，而且使自动驾驶决策更符合交互人类驾驶员的期望.这些发现可以帮助设计自动驾驶决策算法，以确保自动驾驶汽车可以安全有效地融入人类主导的交通。
2022-05-10 cs.SY eess.SY
Belief Aided Navigation using Bayesian Reinforcement Learning for Avoiding Humans in Blind Spots
Kyung Hee University（庆熙大学）
针对现有社交导航未考虑盲区风险的问题，提出BNBRL+算法，结合信念算法与贝叶斯神经网络，在部分可观测框架下推断风险并规划路径，实验验证其在拥挤盲区环境中导航的有效性。
2024-03-15 cs.AI cs.LG cs.RO
Towards Developing Socially Compliant Automated Vehicles: Advances, Expert Insights, and A Conceptual Framework
Delft University of Technology（代尔夫特理工大学）；RWTH Aachen University（亚琛工业大学）
本研究通过首次范围综述和专家访谈评估开发社会兼容自动驾驶车辆（SCAVs）的现状，并提出并验证了一个概念框架，以促进自动驾驶车辆无缝融入混合交通环境。
2025-09-12 cs.AI cs.LG cs.MA
Social Coordination and Altruism in Autonomous Driving
University of Central Florida（中佛罗里达大学）；Stanford University（斯坦福大学）；UC Santa Barbara（加州大学圣巴巴拉分校）
尽管在自动驾驶领域取得了进展，但自动驾驶车辆（AV）在相互合作或与人类操作的车辆协调方面仍然效率低下且受到限制。一组自动驾驶和人类驾驶的车辆（HV）共同努力，优化利他的社会效用-而不是利己的个人效用-可以无缝共存，并确保道路上的安全和效率。实现这一任务没有明确的协调代理是具有挑战性的，主要是由于预测的行为与异质偏好的混合自治环境中的人类的困难。形式上，我们模拟的AV的机动规划在混合自治交通作为一个部分可观察的随机游戏，并试图获得最佳的政策，导致社会理想的结果，使用多智能体强化学习框架。我们引入了一个定量表示的自动驾驶汽车的社会偏好，并设计了一个分布式奖励结构，诱导利他主义到他们的决策过程。我们无私的AV能够形成联盟，引导交通，并影响HV的行为，以应对竞争激烈的驾驶场景。作为一个案例研究，我们比较自私的AV我们的利他自主智能体在高速公路合并设置，并展示了新兴的行为，导致显着改善的成功合并的数量，以及整体的交通流量和安全。
2022-04-04 cs.RO
Hypergraph-based Motion Generation with Multi-modal Interaction Relational Reasoning
organization= Center for Geospatial Sciences, Applications；Department of Landscape of Architecture；Urban Planning, Texas A\&M University , addressline= 788 Ross St , city= College Station , postcode= 77840 , state= TX , country= United States；organization= Zachry Department of Civil；Environmental Engineering, Texas A\&M University , addressline= 201 Dwight Look Engineering Building , city= College Station , postcode= 77843 , state= TX , country= United States；organization= Department of Civil；Environmental Engineering, University of Wisconsin-Madison , addressline= 1415 Engineering Dr , city= Madison , postcode= 53706 , state= WI , country= United States
本研究提出基于超图的关系推理框架RHINO，通过多尺度超图神经网络建模多车群体交互与多模态驾驶行为，提升了自动驾驶车辆运动预测的准确性与可靠性。
2025-08-12 cs.AI cs.LG cs.MA
A Cooperative Compliance Control Framework for Socially Optimal Mixed Traffic Routing
针对混合交通中人类驾驶员不协作问题，提出CCC框架，通过可退还收费激励并利用CLF在线学习，实现期望合规概率，促进社会最优。
2025-03-28 cs.SY eess.SY
Who Plays First? Optimizing the Order of Play in Stackelberg Games with Many Robots
Princeton University（普林斯顿大学）
针对多机器人 Stackelberg 博弈，提出 Branch and Play 算法，通过混合整数优化求解社会最优行动顺序及均衡，在空管、编队和配送中优于基线。
2024-06-25 cs.AI cs.RO cs.SY
On Assumptions with Respect to Occlusions in Urban Environments for Automated Vehicle Speed Decisions
本文研究自动驾驶汽车超越停放车辆时因遮挡产生的行人碰撞风险，提出动态限速计算公式，发现即使非最坏情况假设也需大幅降速，并强调遮挡处理决策直接关系行人安全，呼吁更广泛的假设讨论。
2024-02-14 cs.SY eess.SY
Motion Planning and Control for Multi Vehicle Autonomous Racing at High Speeds
University of Modena and Reggio Emilia（摩德纳和雷焦艾米利亚大学）；University of Parma（帕尔马大学）；ETH Zurich（苏黎世联邦理工学院）；University of Pisa（比萨大学）；Technology Innovation Institute（技术创新研究所）
本文提出了一种多层运动规划和控制架构的自主赛车，能够避免静态障碍物，执行主动超车，并达到75 $m/s$以上的速度。所使用的离线全局轨迹生成和在线模型预测控制器高度基于车辆的优化和动态模型，其中轮胎和外倾角效应以基本Pacejka Magic Formula的扩展版本表示。使用多体赛车运动库来识别和验证所提出的单赛道模型，该库可以正确模拟车辆动力学，在缺少真实实验数据时特别有用。调整控制器的基本正则化项和约束以减小输入的变化率，同时确保可接受的速度和路径跟踪。运动规划策略由基于Frenét-Frame的规划器组成，该规划器考虑由卡尔曼滤波器产生的对手的预测。规划者选择无碰撞路径和速度轮廓在3秒的水平线上进行跟踪，以实现不同的目标，如跟踪和超车。所提出的解决方案已被应用在Dallara AV-21赛车和测试在椭圆形赛道实现横向加速度高达25 $m/s^{2}$。
2022-07-22 cs.AI cs.RO cs.SY
Deep Reinforcement Q-Learning for Intelligent Traffic Signal Control with Partial Detection
Univ Gustave Eiffel（古斯塔夫·埃菲尔大学）；IFSTTAR（法国交通、发展与网络科学技术研究院）
智能交通信号控制器将DQN算法应用于交通灯策略优化，通过实时调整交通信号来有效地减少交通拥堵。然而，文献中的大多数主张认为，所有车辆在交叉口被检测到，一个不切实际的情况。最近，新的无线通信技术已经能够通过基础设施对联网车辆进行成本效益高的检测。由于目前只有一小部分的总舰队配备，能够在低检测率下执行的方法是可取的。在本文中，我们提出了一种深度强化Q学习模型，用于在具有连接车辆的部分可观察环境中优化孤立交叉口的交通信号控制。首先，我们在RL框架内提出了新的DQN模型。我们引入了一个新的状态表示部分可观察的环境和一个新的奖励功能的交通信号控制，并提供了一个网络架构和调谐超参数。其次，我们评估的性能模型在多个场景的数值模拟，在两个步骤。首先对现有的驱动控制器进行完全检测，然后对联网车辆的比例进行部分检测和损失估计。最后，从得到的结果，我们定义阈值的检测率可接受的和最佳的性能水平。
2021-09-29 cs.LG cs.SY eess.SY
