Predictive Risk Analysis and Safe Trajectory Planning for Intelligent and Connected Vehicles
本文提出一种智能网联汽车的预测风险分析与安全轨迹规划框架，通过局部风险感知算法预测未来轨迹并进行时空离散化风险分析以生成安全轨迹，仿真与实验验证了其有效性与实时性。
2025-06-30 cs.RO
Multi-Vehicle Trajectory Planning at V2I-enabled Intersections based on Correlated Equilibrium
Tongji University（同济大学）；Shanghai Research Institute for Intelligent Autonomous Systems, Tongji University（同济大学上海智能自主系统研究院）；National Key Laboratory of Autonomous Intelligent Unmanned Systems（自主智能无人系统全国重点实验室）；Frontiers Science Center for Intelligent Autonomous Systems, Ministry of Education（教育部智能自主系统前沿科学中心）
本文提出一种基于相关均衡的V2I交叉口多车轨迹规划框架，通过交叉口管理器优化轨迹推荐概率分布，在保证安全一致均衡的同时提升通行效率。
2024-06-08 cs.RO
Trajectory Planning for Connected and Automated Vehicles: Cruising, Lane Changing, and Platooning
自动化和连通性被认为是最有前途的技术之一，可以提高运输系统的安全性、移动性、燃料和时间消耗。联网和自动驾驶车辆（CAV）的一些燃油效率优势可以通过队列行驶来实现。一个排是一列虚拟的CAV训练，它们跟随排长一起行进，彼此之间有很小的间隙。车辆还可以通过改变车道来减少行驶时间。在本文中，我们设计了一个最优控制为基础的轨迹规划模型，可以提供安全和有效的轨迹为主题的车辆，并可以包括排队和换道。我们将此轨迹规划模型嵌入到仿真框架中，以量化其效率优势，因为它与动态交通流中的燃料消耗和行驶时间有关。此外，我们进行了大量的数值实验，以调查是否，以及在何种情况下，在上游的主体车辆的车辆也可能会遇到二手燃料效率的好处。
2020-01-23 cs.RO
LADAR-Based Vehicle Tracking and Trajectory Estimation for Urban Driving
General Dynamics Robotic Systems（通用动力机器人系统公司）
无人驾驶地面车辆的安全移动需要可靠地检测其他车辆，以及对其位置和轨迹的精确估计。在这里，我们描述的算法和系统，我们已经开发了精确的轨迹估计附近的车辆使用机载扫描激光雷达。我们介绍了一个可变轴阿克曼转向模型，并比较这一独立的转向模型。然后，对于鲁棒跟踪，我们提出了一个多假设跟踪器，结合这些运动学模型，以利用各自的优势。当使用我们的技术估计的轨迹输入到规划器中时，它们使无人驾驶车辆能够在城市环境中协商交通。结果已被评估运行在实时的与扫描激光雷达的移动车辆。
2017-09-25 cs.RO
Vehicle Trajectory Prediction via Neural Fusion of Multiple EKF-Based Trajectory Candidates
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院（KAIST））
本研究提出一种融合Trajectron++与多EKF轨迹候选的框架，在nuScenes上使平均和最终位移误差分别降低13.7%和14.6%，提升物理可行性。
2026-09-18 cs.RO
RRT and RRT* Using Vehicle Dynamics
George Mason University（乔治梅森大学）
从RRT和RRT* 导出的轨迹是锯齿形的。完整驱动器能够遵循该轨迹。但实际车辆由于受到动力学约束，无法遵循这一轨迹。在这项工作中，我们将修改RRT和RRT* 算法，以生成一个轨迹，车辆的动力学约束可以遵循。实际车辆中转向控制和加速控制的连续性质引入了其模型的复杂性。为了在车辆的运动中引入约束，同时减少控制的数量和复杂性，我们将车辆建模为Dubins汽车。Dubins汽车只有三个控制（左转，右转和向前移动），速度固定，这使得我们的模型很简单。在RRT和RRT* 算法中，我们使用dubins曲线（dubins汽车可以遵循的路径）来跟踪轨迹。
2022-05-29 cs.RO
Optimal Trajectory Generation for Autonomous Vehicles Under Centripetal Acceleration Constraints for In-lane Driving Scenarios
本文提出了一种新的方法，生成最佳轨迹的自动驾驶车辆在车道内行驶的情况下。该方法使用两阶段优化过程来计算轨迹。在第一阶段，优化过程产生一个封闭形式的驾驶指导线与可重构的曲率。在第二阶段，该程序以行驶引导线为输入，输出车辆沿引导线行驶的动态可行、加加速度和时间最优轨迹。该方法对于在弯曲道路上生成轨迹特别有用，其中车辆需要施加频繁的加速和减速以适应向心加速度限制。
2021-12-03 cs.RO
Multi-Vehicle Trajectory Prediction at Intersections using State and Intention Information
Technical University of Munich（慕尼黑工业大学）
传统的方法来预测未来的轨迹的道路代理依赖于知道他们的过去轨迹的信息。这项工作只依赖于了解当前状态和预期方向，以预测交叉口处的多辆车。此外，车辆之间的信息传递为每个车辆提供了环境的更全面的概览，从而允许更明智的预测。这是通过训练一个神经网络来完成的，该神经网络采用多个车辆的状态和意图来预测它们的未来轨迹。使用意图作为输入允许我们的方法扩展到另外控制多个车辆朝向期望路径行驶。实验结果表明，我们的方法在轨迹预测和交叉口车辆控制方面的鲁棒性。此工作的完整培训和评估代码可在此处获得：\url{https://github.com/Dekai21/Multi_Agent_Intersection}。
2023-01-06 cs.AI cs.RO
A New Multi-vehicle Trajectory Generator to Simulate Vehicle-to-Vehicle Encounters
Tsinghua University（清华大学）；Carnegie Mellon University (CMU)（卡内基梅隆大学）
从现有的有限数据中生成多车辆轨迹可以为自动驾驶车辆的开发和测试提供丰富的资源。本文介绍了一种多车辆轨迹生成器（MTG），它可以编码多车辆交互场景（称为驾驶遭遇）到一个可解释的表示，从新的驾驶遭遇场景产生的采样。MTG由一个双向编码器和一个多分支解码器组成。一个新的解纠缠度量，然后开发的模型分析和比较的模型鲁棒性和独立的潜在代码。与$β$ -VAE和InfoGAN的比较表明，MTG具有更强的能力，有目的地产生合理的车辆到车辆的遭遇，通过操作解开的潜在代码。因此，MTG可以为工程师和研究人员提供更多数据，以开发自动驾驶汽车的测试和评估方案。
2019-02-24 cs.CV cs.RO
Intention-aware Long Horizon Trajectory Prediction of Surrounding Vehicles using Dual LSTM Networks
California PATH, University of California, Berkeley（加州大学伯克利分校加州合作伙伴先进运输技术项目（PATH））；Tsinghua University（清华大学）；University of California, Berkeley（加州大学伯克利分校）
自动驾驶汽车需要与其他道路使用者进行交互，因此全面了解动态交通环境，特别是周围车辆未来可能的轨迹非常重要。提出了一种基于双长短期记忆（LSTM）网络的车辆长时域轨迹预测算法，可有效提高强交互驾驶环境下的预测精度。与传统的需要轨迹匹配和手动特征选择的方法相比，该方法可以通过序列学习从自然驾驶数据中自动学习驾驶员行为的高级时空特征。通过采用两个LSTM块，所提出的方法将顺序轨迹馈送到第一个LSTM，用于驾驶员意图识别作为中间指示符，紧接着是第二个LSTM，用于未来轨迹预测。实际高速公路驾驶数据的测试结果表明，与现有方法相比，该方法能够更准确、合理地估计出5s时间范围内的不同未来轨迹，纵向和横向预测的均方根误差（RMSE）分别小于5.77m和0.49m。
2019-06-06 cs.LG cs.RO stat.ML
Topology-Driven Trajectory Optimization for Modelling Controllable Interactions Within Multi-Vehicle Scenario
The Academy for Engineering and Technology, Fudan University（复旦大学工程技术学院）；School of Automotive Studies, Tongji University（同济大学汽车学院）
本文提出一种拓扑驱动的多车辆轨迹优化方法，通过可微局部同伦不变量约束实现从相同初始值生成可控交互轨迹，并支持用户自定义交互模式，实验证明其最优性与效率优于现有方法。
2025-03-07 cs.RO
Optimal Vehicle Trajectory Planning for Static Obstacle Avoidance using Nonlinear Optimization
Guangzhou Xiaopeng Motors Technology Co Ltd（广州小鹏汽车科技有限公司）
针对自动驾驶轨迹规划需兼顾可行性、舒适性与商用计算效率的需求，提出基于非线性优化的新型算法，可生成运动学可行、舒适性最优的静态障碍物避障轨迹，且在两类硬件平台上均实现毫秒级快速生成。
2023-07-18 cs.RO
A Framework for Collision-Tolerant Optimal Trajectory Planning of Autonomous Vehicles
碰撞容限轨迹规划是考虑碰撞，如果规划得当，可以为能够处理碰撞的机器人提供更有效的路径规划。一个混合整数规划（MIP）的优化配方演示了计算的实用性，包括计划的碰撞优化轨迹。提出了一种毁伤量化函数，并通过仿真研究了毁伤函数约束对弹道的影响。使用一个简单的例子，在此模式下实现的性能增加相比，无碰撞的最佳轨迹。
2016-11-23 cs.RO
A Survey on Deep-Learning Approaches for Vehicle Trajectory Prediction in Autonomous Driving
The Chinese University of Hong Kong（香港中文大学）；Southern University of Science and Technology（南方科技大学）；Shenzhen Research Institute of the Chinese University of Hong Kong（香港中文大学深圳研究院）
随着机器学习的快速发展，自动驾驶成为热点问题，对更智能的感知和规划系统提出了迫切需求。自动驾驶汽车可以通过精确预测周围车辆的未来轨迹来避免交通事故。在这项工作中，我们回顾和分类现有的基于学习的轨迹预测方法从表示，建模和学习的角度。此外，我们在https：//github.com/Henry1iu/TNT-Trajectory-Predition上公开了我们的Target-driveN Trajectory Prediction实现，展示了其出色的性能，而其原始代码被保留。本文的研究成果对提高弹道预测性能具有一定的启示作用。
2021-10-29 cs.RO
Trajectory Prediction for Vehicle Conflict Identification at Intersections Using Sequence-to-Sequence Recurrent Neural Networks
冲突指标形式的替代安全措施是主动交通安全工具箱中不可或缺的组成部分。冲突指标可以分为基于过去轨迹的冲突和基于预测轨迹的冲突。虽然前一类冲突的计算是确定性的和明确的，后一类是使用预测的车辆轨迹计算的，因此更具随机性。因此，基于预测的冲突的准确性取决于所使用的轨迹预测算法的准确性。轨迹预测可能是一项具有挑战性的任务，特别是在车辆机动多样的交叉口。此外，由于与道路使用者轨迹提取管线有关的限制，在冲突分析期间车辆的精确几何表示是一项具有挑战性的任务。错误的几何图形扭曲了观察中车辆之间的真实距离。提出了一种基于预测的冲突识别方法。开发了一个序列到序列的递归神经网络，以连续预测未来车辆的轨迹，最多提前3秒。此外，使用CitySim数据集对所提出的网络进行了训练，以预测未来的车辆位置和航向，以便于预测未来的边界框，从而保持准确的车辆几何表示。实验结果表明，该方法优于常用的轨迹预测模型在交叉口的冲突分析。比较了基于车辆边界框和常用车辆中心点的碰撞时间（TTC）识别方法。与限界框方法相比，中心点方法往往无法识别TTC冲突或低估了它们的严重性。
2022-10-13 cs.AI cs.RO
Vehicle Trajectory Prediction based Predictive Collision Risk Assessment for Autonomous Driving in Highway Scenarios
本文提出一种基于CSP-GAN-LSTM轨迹预测模型的高速公路自动驾驶碰撞风险评估方法，结合TTC和MDM构建时间连续风险函数，并在公开数据集和仿真中验证了其优于SOTA方法的预测精度与评估有效性。
2023-04-12 cs.RO
Identifying Driver Behaviors using Trajectory Features for Vehicle Navigation
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
我们提出了一种新的方法来自动识别驾驶员的行为，从车辆轨迹，并使用它们的自动驾驶汽车的安全导航。我们提出了一组新的功能，可以很容易地从汽车轨迹中提取。我们得出一个数据驱动的映射这些功能和六个驱动程序的行为，使用一个精心设计的基于Web的用户研究。我们还计算了一个概括的分数，指示在其他车辆旁边驾驶时所需的意识水平。我们还将我们的算法集成到车辆导航仿真系统中，并在与激进或危险的驾驶员一起驾驶时，展示其在更安全的实时导航方面的优势。
2018-03-16 cs.RO
Collision-free Trajectory Planning for Autonomous Surface Vehicle
College of Control Science and Technology, Zhejiang University（浙江大学控制科学与工程学院）；Institute of Cyber-Systems and Control, Zhejiang University（浙江大学智能系统与控制研究所）
在本文中，我们提出了一种高效和准确的方法，自主表面车辆生成一个光滑的和无碰撞的轨迹，考虑其动力学约束。将轨迹规划问题解耦为前端可行路径搜索和后端运动学轨迹优化。首先，建立了双推力欠驱动水面舰艇的数学模型。然后采用基于采样的路径搜索方法，在障碍物周围环境中寻找一条渐近最优路径，并从中提取多个航路点，在后端采用数值优化方法生成轨迹。从野外航行安全的角度出发，提出了航行走廊法，以保证航迹远离障碍物。此外，考虑到有限的燃料ASV携带，我们设计了一个数值目标函数，可以优化一个节省燃料的轨迹。最后，我们在仿真环境中验证和比较所提出的方法，结果符合我们的预期轨迹。
2020-05-20 cs.RO
Robust Trajectory Tracking of Autonomous Surface Vehicle via Lie Algebraic Online MPC
University of Michigan（密歇根大学）；University of California, Berkley（加州大学伯克利分校）
本文提出一种结合李群和在线学习的MPC控制器，用于提升自主水面车辆在未知扰动下的轨迹跟踪鲁棒性和精度。
2026-09-24 cs.RO
Zero-Error Tracking for Autonomous Vehicles through Epsilon-Trajectory Generation
Utah State University（犹他州立大学）
本文提出了一种一阶非完整约束飞行器的控制方法和轨迹规划器，保证渐近收敛到时间索引轨迹。为了克服非完整约束，可以控制车辆前方的固定点以跟踪期望的轨迹，尽管具有稳态误差。为了消除稳态误差，为新的参考点重新制定了一个足够平滑的轨迹，使得当跟踪新的轨迹时，车辆渐近收敛到原始轨迹。由此产生的零误差跟踪法证明通过一个新的框架，创建时间索引Clothoids。回旋曲线可以被计划通过任意航路点使用传统的方法，但结果的轨迹，可以遵循零稳态误差。控制方法和规划器的结果在仿真中示出，其中展示了零误差跟踪。
2020-07-20 cs.RO cs.SY eess.SY
Reactive Trajectory Generation in an Unknown Environment
The George Washington University（乔治华盛顿大学）
随着无人机越来越多产，未知环境中无人机的自主轨迹生成一直是一个重要的研究领域。我们定义了一个轨迹生成算法的车辆在一个未知的环境与风的干扰，只依赖于车辆的车载距离传感器和通信与其他车辆在有限的区域内生成一个平滑的，无碰撞的轨迹的四阶导数。所提出的轨迹生成算法可以与高级规划器和低级运动控制器结合使用。该算法保证轨迹不会违反车辆的推力限制、传感器约束或用户定义的其他车辆和障碍物周围的间隙半径。四旋翼飞行器在未知环境中带运动障碍物运动的仿真结果验证了该方法的轨迹生成性能。
2017-07-20 cs.RO math.OC
Collision-Free 6-DoF Trajectory Generation for Omnidirectional Multi-rotor Aerial Vehicle
Harbin Institute of Technology Shenzhen（哈尔滨工业大学深圳校区）
全向多旋翼飞行器（OMAVs）作为一种全驱动系统，具有比传统欠驱动多旋翼飞行器更灵活的机动性，在复杂环境下的避障飞行中也具有更显著的优势，但目前几乎没有一种方法能够生成能够发挥OMAVs潜力的全自由度轨迹。如何使所设计的轨迹生成算法高效、可扩展是一个挑战，本文旨在实现复杂环境下的OMAV避障规划。基于几何约束最小控制量（MINCO）轨迹生成框架，首次设计了OMAV六自由度轨迹生成框架，根据由一系列凸多面体表示的安全区域，结合飞行器的总体外形和动力学约束该框架最终生成无冲突的最优6-基于Gazebo和PX4 Autopilot的仿真实验进行，以验证拟议的框架的性能。
2022-10-07 cs.RO
Linear vs Nonlinear MPC for Trajectory Tracking Applied to Rotary Wing Micro Aerial Vehicles
ETH Zürich（苏黎世联邦理工学院）
精确的轨迹跟踪是\acp{MAV}在杂波环境或干扰下工作的关键性能。在本文中，我们提出了一个详细的比较两个国家的最先进的基于模型的控制技术的\ac{MAV}轨迹跟踪。一个经典的\ac{LMPC}，并与一个更先进的\ac{NMPC}，认为完整的系统模型进行比较。在一个仔细的分析，我们显示的优点和缺点的两种实现的速度和跟踪性能。这是通过评估悬停性能，阶跃响应，并在标称条件下和外部风干扰的积极轨迹跟踪。
2017-04-21 cs.RO
An Ensemble Learning Framework for Vehicle Trajectory Prediction in Interactive Scenarios
Beijing Institute of Technology（北京理工大学）；Delft University of Technology（代尔夫特理工大学）
精确建模交互和准确预测周围车辆的轨迹是智能车辆决策和路径规划的关键。本文提出了一种新的框架集成学习的基础上，以提高交互式场景中的轨迹预测的性能。该框架被称为交互式包围轨迹预测器（IETP）。IETP将交互感知轨迹预测器组装为基础学习器以构建集成学习器。首先，IETP中的每个基学习器观察场景中车辆的历史轨迹。然后，每个基本学习器处理车辆之间的交互以预测轨迹。最后，一个集成学习器被建立来预测轨迹，通过应用两个集成策略从所有基学习器的预测。集成学习器生成的预测是IETP的最终输出。在这项研究中，使用不同的数据进行了三个实验的基础上NGSIM数据集。实验结果表明，与基本学习器相比，IETP提高了预测精度，降低了误差方差。此外，IETP超过基线模型的50%的训练数据，表明IETP是数据效率。此外，IETP的实施情况可在https://github.com/BIT-Jack/IETP上公开查阅。
2022-04-17 cs.RO
Trajectory Generation for Underactuated Multirotor Vehicles with Tilted Propellers via a Flatness-based Method
City University of Hong Kong（香港城市大学）
本文研究了一类螺旋桨不对中的旋翼飞行机器人。通过研究这些车辆的动力学，我们表明，位置和航向角保持平坦的系统输出（类似于传统的四旋翼）。这意味着它们可以被命令遵循3D空间中的期望轨迹设定点。我们提出了一个基于配置方法的数值策略，以促进轨迹生成。这使得能够方便地计算标称机器人的姿态和控制输入。所提出的方法进行了数值验证三个多转子机器人具有不同的动力学。其中包括一架带有倾斜螺旋桨的三旋翼机，一架四旋翼机和一架带有无与伦比的螺旋桨的六旋翼机。
2019-05-16 cs.RO
ReCoG: A Deep Learning Framework with Heterogeneous Graph for Interaction-Aware Trajectory Prediction
Nanyang Technological University（南洋理工大学）；University of Oxford（牛津大学）
预测周围车辆的未来轨迹对于自动驾驶车辆在复杂的现实驾驶场景中的导航至关重要。这是具有挑战性的，因为车辆的运动受到许多因素的影响，包括其周围的基础设施和车辆。在这项工作中，我们开发了ReCoG（递归卷积和图神经网络），这是一个通用的方案，表示车辆与基础设施信息的交互作为一个异构图，并应用图神经网络（GNN）来模拟高层次的相互作用轨迹预测。图中的节点包含对应的特征，其中车辆节点包含使用递归神经网络（RNN）编码的其顺序特征，并且基础设施节点包含使用卷积神经网络（CNN）编码的空间特征。然后，ReCoG通过联合考虑所有特征来预测目标车辆的未来轨迹。使用INTERACTION数据集进行实验。实验结果表明，所提出的ReCoG方法在不同类型的位移误差下均优于其他现有方法，验证了所提出方法的可行性和有效性。
2020-12-09 cs.RO
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
Spatial Temporal Attention based Target Vehicle Trajectory Prediction for Internet of Vehicles
The School of Computer Science and Technology, Hangzhou Dianzi University（杭州电子科技大学计算机科学与技术学院）；The School of Automation, Hangzhou Dianzi University（杭州电子科技大学自动化学院）；The China Mobile Information Technology Co., Ltd.（中国移动信息技术有限公司）；The Key Laboratory for Information Science of Electromagnetic Waves (MoE), Fudan University（复旦大学电磁波信息科学教育部重点实验室）
本文提出STATVTPred方法，结合GPS、图注意力网络与Transformer提取时空特征并融合路网结构，在T-Drive和成都数据集上显著提升车辆轨迹预测精度。
2025-01-01 cs.LG cs.RO
GISNet: Graph-Based Information Sharing Network For Vehicle Trajectory Prediction
Department of Engineering and Computer Science, Syracuse University（锡拉丘兹大学工程与计算机科学系）；Syracuse University（锡拉丘兹大学）
轨迹预测是自动驾驶系统设计中的一个关键且具有挑战性的问题。许多面向人工智能的公司，如谷歌Waymo，Uber和DiDi，正在研究更准确的车辆轨迹预测算法。然而，预测性能是由很多纠缠的因素，如周围车辆的随机行为，历史信息的自我轨迹，和相对位置的邻居，在本文中，我们提出了一种新的基于图的信息共享网络（GISNet），允许目标车辆和周围车辆之间的信息共享。同时，该模型对场景中所有车辆的历史轨迹信息进行编码。在公开的NGSIM US-101和I-80数据集上进行了实验，并通过均方根误差（RMSE）来衡量预测性能。定量和定性的实验结果表明，我们的模型显着提高了轨迹预测精度，高达50.00%，相比现有的模型。
2020-03-22 cs.AI cs.CV cs.LG
A survey on robustness in trajectory prediction for autonomous vehicles
Department of Cognitive Robotics（认知机器人学系）；Delft Center for Systems and Control, TU Delft（代尔夫特理工大学代尔夫特系统与控制中心）
本文综述自动驾驶轨迹预测模型的鲁棒性研究，提出综合框架评估数据切片、扰动技术、架构更改和训练后调整等方法，以应对模型过拟合问题并提升驾驶安全性。
2024-04-20 cs.RO
Maneuver-Aware Pooling for Vehicle Trajectory Prediction
University of Leeds（利兹大学）
自动驾驶汽车应该能够预测其环境的未来状态并做出适当的反应。具体来说，预测周围人类驾驶员的行为对于此类平台与人类共享同一条道路至关重要。周围车辆中的每一个的行为由其相邻车辆的运动控制。本文的重点是预测自动驾驶汽车在高速公路上的周围车辆的行为。我们的动机是提高预测精度时，周围的车辆进行变道和高速公路合并演习。我们提出了一种新的池化策略来捕捉相邻车辆之间的相互依赖关系。仅依赖于欧几里德轨迹表示，现有的池化策略不建模的上下文信息的机动周围的车辆。相比之下，我们的池机制采用极轨迹表示，车辆方向和径向速度。这将导致隐式的可感知池化操作。我们将所提出的池化机制纳入生成式编码器-解码器模型中，并在公共NGSIM数据集上评估了我们的方法。最后，通过与现有方法的比较，验证了该方法的有效性。我们的“Pooling Example”代码可在https://github.com/m-hasan-n/pooling上获得。
2021-04-29 cs.CV cs.RO
Offline reconstruction of missing vehicle trajectory data from 3D LIDAR
激光雷达以其在测距和障碍物检测等方面的优势，已成为许多自主车辆的重要组成部分。LIDAR产生的点云具有关于周围环境的重要信息。在本文中，我们收集的轨迹数据的两车道的城市道路上使用Velodyne VLP-16激光雷达。由于数据汇集的动态性质和传感器的有限范围，这些轨迹中的一些具有缺失点或间隙。在本文中，我们提出了一种新的方法来恢复丢失的车辆轨迹数据点，使用微观交通流模型。虽然短的间隙（小于5秒）可以恢复与简单的线性回归，和较长的间隙恢复与所提出的方法，利用汽车跟随模型校准分配权重的基础上接近的间隙的已知点。Newell、Pipes、IDM和Gipps的车辆跟驰模型均采用LIDAR和NGSIM I-80数据集的地面真实轨迹数据进行了标定和测试。Gipps的校准模型产生了最好的结果。
2017-09-16 cs.RO
Incorporating Target Vehicle Trajectories Predicted by Deep Learning Into Model Predictive Controlled Vehicles
Technical University of Munich（慕尼黑工业大学）；Eindhoven University of Technology（埃因霍温理工大学）；Beijing Institute of Technology（北京理工大学）
本文提出一种风险感知MPC运动规划方法，利用RNN根据历史数据预测目标车辆轨迹，并将其纳入自车优化约束，仿真验证了预测精度与无碰撞轨迹生成能力。
2023-10-04 cs.RO
Convex Geometric Trajectory Tracking using Lie Algebraic MPC for Autonomous Marine Vehicles
University of Michigan（密歇根大学）
本文针对非线性水动力与扰动下海洋航行器轨迹跟踪问题，提出李群上的凸误差状态 MPC，以二次规划实现高效实时控制并显著降低计算时间。
2023-12-09 cs.RO
Optimization-based Safe Trajectory Planning for Autonomous Ground Vehicle in Multi-Floor Scenarios
Beijing Institute of Technology（北京理工大学）；Tsinghua University（清华大学）
提出一种针对多楼层场景的轨迹规划框架，包括基于广义Voronoi图和多目标算法的任务规划模块，以及采用优化方法和热启动分层规划生成高质量轨迹的轨迹规划模块，并通过仿真验证可行性。
2026-06-24 cs.RO
Vehicle Trajectory Tracking Through Magnetic Sensors: A Case Study of Two-lane Road
Xidian University（西安电子科技大学）；Xidian University Guangzhou Institute of Technology（西安电子科技大学广州研究院）
本文首次提出利用低成本磁传感器沿道路连续检测和跟踪车辆的监控系统，通过基于图的数据关联算法和在线算法框架生成车辆轨迹，实验证明其能经济有效地捕获车辆行驶状态并支持交通安全应用。
2024-03-25 cs.RO
Model predictive approach to integrated path planning and tracking for autonomous vehicles
National Institute of Informatics（国立信息学研究所）；Hunan University（湖南大学）
在自主应用的路径规划问题中，现有的研究都是将自主车辆的路径规划和轨迹跟踪控制分开考虑，很少将轨迹规划和轨迹控制结合起来。为了填补这一研究空白，本研究提出了一种集成的轨迹规划和轨迹控制方法。本文还研究了考虑静态和动态障碍物的自主避碰问题。仿真结果表明了所提出的控制方法的有效性。
2019-05-09 cs.RO math.DS
Trajectory Planning for Autonomous Vehicle Using Iterative Reward Prediction in Reinforcement Learning
ThorDrive
针对传统自动驾驶轨迹规划泛化性差、现有强化学习方法学习不稳定且未考虑不确定性的问题，提出带迭代奖励预测与不确定性感知的强化学习轨迹规划方法，在CARLA上验证可显著降碰撞率、提平均奖励。
2024-05-12 cs.RO
Trajectory Guidance: Enhanced Remote Driving of highly-automated Vehicles
Institute of Automotive Technology at the Technical University of Munich (TUM)（慕尼黑工业大学汽车工程研究所）
本文针对自动驾驶车辆在复杂场景需人类干预的问题，提出一种轨迹引导远程驾驶的新型技术实现，经高保真仿真实验验证，表明其能有效提升远程操作安全性与可行性。
2024-02-15 cs.RO
Robust Trajectory Tracking Error Model-Based Predictive Control for Unmanned Ground Vehicles
Delft University of Technology（代尔夫特理工大学）；University of Leuven (KU Leuven)（鲁汶大学）
提出了一种新的基于误差的鲁棒轨迹跟踪控制方法。基于轨迹跟踪误差模型设计了一种线性模型预测控制器，其控制作用与前馈和鲁棒控制作用相结合。实验结果表明，所提出的控制结构是能够让牵引车拖车系统跟踪直线和曲线的目标轨迹与低跟踪误差。
2021-03-31 cs.RO cs.SY eess.SY
Optimization-based Trajectory Tracking Approach for Multi-rotor Aerial Vehicles in Unknown Environments
Innopolis University（Innopolis大学）
本文的目标是开发一种基于连续优化的参考轨迹的细化，以“推”出的障碍物占据的空间在全球阶段的多旋翼飞行器在未知的环境中。我们提出的方法包括两个规划者：一个全球规划者和本地规划者。全局规划器在轨迹经过障碍物或接近障碍物时对初始参考轨迹进行细化，并让局部规划器计算接近最优控制策略。全局规划器包括两种凸规划方法：第一种方法有助于细化参考轨迹，第二种方法有助于在第一种方法未能细化时恢复参考轨迹。全局规划器主要关注实时性能和避障，而所提出的基于约束非线性模型预测控制的局部规划器的公式确保了安全性、动态可行性和低速机动的参考轨迹跟踪精度，条件是局部规划器和全局规划器的平均计算时间分别为0.06 s（15 Hz）和0.05 s（20 Hz）。NVIDIA Jetson Xavier NX计算机我们的实验结果证实，在杂乱的环境中，所提出的方法优于其他三种方法：基于采样的寻路其次是轨迹生成，本地规划器，基于图形的寻路其次是轨迹生成。
2022-02-12 cs.RO
Efficient and Interaction-Aware Trajectory Planning for Autonomous Vehicles with Particle Swarm Optimization
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Honda Research Institute（本田研究所）
本研究针对自动驾驶换道场景，提出结合粒子群优化、神经网络预测及多项式曲线拟合的轨迹规划方法，可实时生成平滑可行的换道轨迹，仿真对比验证了其有效性。
2024-02-02 cs.RO
Multi-Head Attention based Probabilistic Vehicle Trajectory Prediction
Hanyang University（汉阳大学）
本文提出了一种用于概率车辆轨迹预测的在线深度学习模型。我们提出了一个简单的编码器-解码器架构的基础上多头注意力。所提出的模型产生的分布的预测轨迹的多个车辆并行。我们对交互进行建模的方法可以学习以无监督的方式关注一些有影响力的车辆，这可以提高网络的可解释性。在高速公路上使用自然轨迹的实验表明，在纵向和横向方向上的位置误差方面有明显的改善。
2020-07-04 cs.CV cs.LG cs.RO
Probabilistic Crowd GAN: Multimodal Pedestrian Trajectory Prediction using a Graph Vehicle-Pedestrian Attention Network
Australian Centre for Field Robotics（澳大利亚野外机器人中心）
理解和预测行人的意图对于使自动驾驶汽车和移动机器人能够在人群中导航至关重要。当我们考虑到行人运动的不确定性和多模态性，以及人群成员之间的隐式相互作用，包括对车辆的任何反应时，这个问题变得越来越复杂。我们的方法Probably Crowd GAN扩展了最近在轨迹预测方面的工作，将递归神经网络（RNN）与混合密度网络（MDN）相结合，以输出概率多模态预测，从中找到可能的模态路径并用于对抗训练。我们还建议使用图形车辆-行人注意力网络（GVAT），该网络对社交互动进行建模，并允许输入共享车辆功能，表明包含此模块可以在有车辆和无车辆存在的情况下改善轨迹预测。通过对各种数据集的评估，我们展示了对现有最先进的轨迹预测方法的改进，并说明了如何直接模拟人群交互的真实多模态和不确定性。
2020-07-12 cs.CV cs.RO
Impact of Traffic Lights on Trajectory Forecasting of Human-driven Vehicles Near Signalized Intersections
University of Michigan（密歇根大学）
预测人类驾驶车辆的轨迹是自动驾驶中的一个关键问题。由于与汽车和行人以及交通信号灯（TL）的复杂交互，城市地区的轨迹预测特别困难。与已经被广泛研究的前者不同，TL对轨迹预测的影响很少被讨论。在这项工作中，我们首先确定研究较少，也许被忽视的影响TL。其次，我们提出了一个新的解决方案，考虑到影响，灵感来自于人类驾驶不同的信号相位（绿色，黄色，红色）和时间（经过的时间）。所提出的方法的核心是人类政策模型，该模型通过将车辆和TL的状态序列映射到车辆的后续动作（加速）来模拟驾驶员如何对TL的各种状态做出反应。然后，我们将人类政策模型与一个已知的过渡函数（系统动力学）进行顺序预测，因此我们的方法被视为行为克隆。我们的方法的一个新颖之处是使用车辆到基础设施的通信，以获得未来状态的TL。我们展示了TL和所提出的方法的影响，使用消融研究的纵向轨迹预测任务对现实世界的驾驶数据记录在信号交叉口附近。最后，我们提出了概率（生成）人类政策模型，它提供概率背景并捕获竞争政策，例如，通过或停止在黄灯困境区。
2020-04-26 cs.RO
Trajectory Planning Using Reinforcement Learning for Interactive Overtaking Maneuvers in Autonomous Racing Scenarios
Technical University of Munich（慕尼黑工业大学）
本文提出一种基于强化学习的自动驾驶赛车轨迹规划方法，无需预测即可利用车辆交互实现超车，并引入安全层在轨迹不可行时生成次优可行解，显著提升高交互场景下的成功率。
2024-07-25 cs.RO
Online Vehicle Trajectory Prediction using Policy Anticipation Network and Optimization-based Context Reasoning
Hong Kong University of Science and Technology（香港科技大学）
在本文中，我们提出了一个用于城市自动驾驶的在线两级车辆轨迹预测框架，其中存在复杂的上下文因素，例如车道几何形状、道路建设、交通法规和移动代理。我们的方法结合了高层次的政策预期与低层次的上下文推理。我们利用长短期记忆（LSTM）网络来预测车辆的驾驶策略（例如，向前，屈服，左转，右转等）使用其连续的历史观测。然后，该策略用于指导基于优化的低级别上下文推理过程。我们表明，这是必要的，以纳入事先的政策预期，由于未来的轨迹的多模态性质。此外，与现有的基于回归的轨迹预测方法相反，我们基于优化的推理过程可以应对复杂的上下文因素。两级推理过程的最终输出是一个连续的轨迹，自动适应不同的交通配置，并准确地预测未来的车辆运动。在一个新兴的自动驾驶仿真平台（CARLA）的性能分析和验证所提出的框架。
2019-03-03 cs.LG cs.RO
MSMA: Multi-agent Trajectory Prediction in Connected and Autonomous Vehicle Environment with Multi-source Data Integration
The University of Arizona（亚利桑那大学）；The University of Alabama in Huntsville（阿拉巴马大学亨茨维尔分校）；Southwest Jiaotong University（西南交通大学）
本文提出MSMA深度学习框架，通过交叉注意力模块融合传感器与通信多源数据，结合矢量地图信息，在CARLA混合交通流场景中显著提升了CAV对周围多类型车辆轨迹预测的精度，尤其在高网联汽车渗透率下效果更佳。
2024-08-02 cs.LG cs.RO
Deep Kinematic Models for Kinematically Feasible Vehicle Trajectory Predictions
Uber Advanced Technologies Group（优步先进技术集团）
自动驾驶汽车（SDV）在改善交通安全方面具有巨大潜力，并有望对数百万人的生活质量产生积极影响。为了释放这种潜力，自动驾驶技术的关键方面之一是了解和预测SDV周围车辆的未来运动。这项工作提出了一种基于深度学习的方法，用于对此类交通行为体进行运动学上可行的运动预测。以前的工作没有明确编码车辆运动学，而是依赖于模型直接从数据中学习约束，可能导致运动学上不可行的次优轨迹预测。为了解决这个问题，我们提出了一种方法，将人工智能的想法与物理基础的车辆运动模型无缝结合起来。通过这种方式，我们采用了两全其美的方法，将强大的学习模型与其输出的强大可行性保证相结合。所提出的方法是通用的，适用于任何类型的学习方法。在真实世界数据上使用深度convnets的广泛实验强烈表明了它的好处，优于现有的最先进技术。
2020-10-24 cs.CV cs.LG cs.RO
Safe and Efficient Trajectory Optimization for Autonomous Vehicles using B-spline with Incremental Path Flattening
ThorDrive Co., Ltd（ThorDrive有限公司）；Seoul National University（首尔大学）；Ajou University（亚洲大学）
针对B样条曲线在自动驾驶车辆轨迹规划中存在的车辆外形过近似、难兼顾无碰撞与动力学约束的问题，提出圆盘式扫掠体、增量路径展平及动力学惩罚方法，仿真与实车实验均验证其性能优于现有基线。
2024-10-04 cs.RO
A Novel Temporal Multi-Gate Mixture-of-Experts Approach for Vehicle Trajectory and Driving Intention Prediction
Southeast University（东南大学）；School of Transportation（交通学院）；University of Central Florida（中佛罗里达大学）
本文提出时序多门混合专家模型TMMOE，通过TCN共享层、专家层和全连接层同时预测车辆纵向、横向位置及驾驶意图，并在CitySim数据集上取得优于LSTM的分类与回归性能。
2023-08-01 cs.LG cs.RO
Learning Vehicle Trajectory Uncertainty
Charney School of Marine Science, University of Haifa（海法大学查尼海洋科学学院）
提出一种利用循环神经网络学习车辆特征并确定过程噪声协方差的混合自适应 Kalman 滤波器，有效解决了传统线性滤波器因轨迹建模不确定性导致的性能下降问题。
2023-03-13 cs.RO eess.SP
Model predictive trajectory optimization and tracking for on-road autonomous vehicles
Samsung（三星）；The Ohio State University（俄亥俄州立大学）
自主车辆的运动规划需要时空运动规划（即状态轨迹）来考虑动态障碍物。这需要一个轨迹跟踪控制过程，它忠实地跟踪规划的轨迹。在本文中，提出了一种控制方案，首先优化规划的轨迹，然后使用反馈-前馈控制器跟踪优化的轨迹。前馈元件以模型预测的方式计算，其中成本函数关注驾驶性能。然后通过设计反馈-前馈控制器来保证误差动态的稳定性。控制系统的跟踪性能进行了测试，在一个现实的模拟情况下，控制系统必须跟踪规避横向机动。所提出的控制器在仿真中表现良好，可以很容易地适应不同的动态车辆模型。控制综合的唯一性解决方案消除了任何不确定性，可能会出现与底层的数学程序之间的数值求解器切换。
2018-11-11 cs.RO math.OC
Jointly Learnable Behavior and Trajectory Planning for Self-Driving Vehicles
Uber Advanced Technologies Group（优步先进技术集团）；University of Toronto（多伦多大学）；GraphCore；Massachusetts Institute of Technology（麻省理工学院）
自动驾驶汽车中使用的运动规划器需要生成安全、舒适并遵守交通规则的轨迹。这通常通过两个模块来实现：行为规划器，它处理高层决策并产生粗略的轨迹，轨迹规划器，它在规划范围内生成平滑，可行的轨迹。然而，这些规划器通常是单独开发的，并且行为规划器中的变化可能以意想不到的方式影响轨迹规划器。此外，由轨迹规划器输出的最终轨迹可能与由行为规划器生成的轨迹显著不同，因为它们不共享相同的目标。在本文中，我们提出了一个共同学习的行为和轨迹规划。与大多数现有的可学习的运动规划器，解决要么只行为规划，或使用一个不可解释的神经网络来表示从传感器到驾驶命令的整个逻辑，我们的方法具有一个可解释的成本函数的感知，预测和车辆动力学，和一个联合学习算法，学习我们的行为和轨迹组件所采用的共享成本函数。对真实世界自动驾驶数据的实验表明，与不采用联合行为和轨迹学习的基线相比，联合学习的规划器在与人类驾驶的相似性和其他安全指标方面表现得更好。
2019-10-10 cs.LG cs.RO
