Real-time Motion Planning for autonomous vehicles in dynamic environments
University of North Texas(北得克萨斯大学)
针对动态环境中移动障碍物带来的轨迹规划挑战,提出一种结合路径密度优化与分层运动规划(全局A*与局部时间弹性带)的鲁棒算法,仿真验证其有效性与通用性。
2025-01-20 cs.RO
Utilizing Navigation Paths to Generate Target Points for Enhanced End-to-End Autonomous Driving Planning
University of Science and Technology of China(中国科学技术大学)
针对现有端到端自动驾驶框架忽略行驶意图学习的问题,本文提出NTT方法,基于导航路径生成目标点再生成规划轨迹,在nuScenes数据集上取得优异规划性能。
2024-08-12 cs.RO
InterHub: A Naturalistic Trajectory Dataset with Dense Interaction for Autonomous Driving
Tongji University(同济大学);Beijing Institute of Technology(北京理工大学);School of Automotive Studies, Tongji University(同济大学汽车学院)
针对真实驾驶数据中交互事件稀疏的问题,本文提出 InterHub 数据集,利用形式化方法从自然驾驶记录中提取多智能体密集交互轨迹,并提供可扩展工具包以支持自动驾驶评估与研究。
2024-11-30 cs.RO
Guided Policy Search Model-based Reinforcement Learning for Urban Autonomous Driving
University of California, Berkeley(加州大学伯克利分校)
在本文中,我们继续我们以前的工作,使用模仿学习(IL)和无模型强化学习(RL),学习驾驶策略的自动驾驶在城市的情况下,通过引入基于模型的RL方法来驱动自动驾驶汽车在卡拉城市驾驶模拟器。尽管IL和无模型RL方法已被证明能够解决许多具有挑战性的任务,包括玩视频游戏,机器人,以及在我们之前的工作中,城市驾驶,但这些方法的低样本效率极大地限制了它们在实际自动驾驶中的应用。在这项工作中,我们开发了一个基于模型的RL算法的指导政策搜索(GPS)的城市驾驶任务。该算法迭代学习一个参数化的动力学模型来逼近复杂的交互式驾驶任务,并在非线性近似动力学模型下优化驾驶策略。作为一种基于模型的强化学习方法,GPS在城市自动驾驶中具有更高的样本效率、更好的可解释性和更高的稳定性。我们提供了大量的实验验证所提出的方法的有效性,学习鲁棒的驾驶政策,在卡拉城市驾驶。我们还将所提出的方法与其他策略搜索和无模型RL基线进行了比较,表明基于GPS的RL方法的样本效率提高了100倍,并且基于GPS的方法可以学习基线方法难以学习的更难任务的策略。
2020-05-11 cs.RO
ProDrive: Proactive Planning for Autonomous Driving via Ego-Environment Co-Evolution
Southern University of Science and Technology(南方科技大学);Hong Kong University of Science and Technology(香港科技大学)
ProDrive通过自我环境共演实现自动驾驶前瞻性规划,结合查询导向的轨迹规划器和鸟瞰图世界模型,提升安全性和规划效率。
2026-04-28 cs.RO
Evaluation and Optimization of Rendering Techniques for Autonomous Driving Simulation
Southern University of Science and Technology(南方科技大学)
为提升自动驾驶仿真场景质量,提出用离线工业渲染框架替代实时渲染,通过游戏引擎生成低质量场景并用IQA算法验证离线渲染的质量提升,改进后的场景用于训练。
2023-06-27 cs.RO
Results and Lessons Learned from Autonomous Driving Transportation Services in Airfield, Crowded Indoor, and Urban Environments
Seoul National University(首尔大学);ThorDrive
本文分享了在机场、拥挤室内和城市环境中开展自动驾驶运输服务的研究成果与经验教训,探讨了应对独特挑战的方法并概述了未来待解决的问题。
2024-03-20 cs.RO
Conditional Predictive Behavior Planning with Inverse Reinforcement Learning for Human-like Autonomous Driving
Nanyang Technological University(南洋理工大学)
做出安全和人性化的决策是自动驾驶系统的基本能力,基于学习的行为规划为实现这一目标提供了一条有希望的途径。与现有的直接输出决策的基于学习的方法不同,这项工作引入了一个预测行为规划框架,该框架可以学习从人类驾驶数据中预测和评估。该框架由三个部分组成:一个行为生成模块,产生一组不同的候选行为的轨迹建议的形式,一个条件运动预测网络,预测未来的轨迹的其他代理的基础上,每个建议,和一个评分模块,评估候选计划使用最大熵逆强化学习(IRL)。我们通过全面的实验验证了所提出的框架在大规模的现实世界的城市驾驶数据集。结果表明,条件预测模型能够对不同的轨迹方案进行清晰合理的预测,基于IRL的评分模块能够选择接近人类驾驶的方案。所提出的框架优于其他基线方法在人类驾驶轨迹的相似性。此外,我们发现,条件预测模型提高了预测和规划性能相比,非条件模型。最后,我们注意到,学习评分模块对于将评估与人类驱动程序保持一致至关重要。
2023-03-07 cs.RO
LLM-Driven Scenario-Aware Planning for Autonomous Driving
University of Macau(澳门大学);Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究所);Southern University of Science and Technology(南方科技大学)
本文提出LAP,一种基于大语言模型的自适应规划方法,通过场景理解与联合优化实现自动驾驶中的高速与精确驾驶平衡。
2026-01-29 cs.RO
Review of Deep Reinforcement Learning for Autonomous Driving
Middlesex University(密德萨斯大学)
自从深度神经网络复兴以来,强化学习在许多传统游戏中逐渐加强并超越了人类。然而,将这些成就复制到自动驾驶并不容易,因为现实世界中的状态空间非常复杂,动作空间是连续的,需要精细控制。此外,自动驾驶系统还必须保持其功能,无论环境的复杂性如何。深度强化学习域(DRL)已经成为一种鲁棒的学习框架,用于在高维环境中处理具有深度表示学习的复杂策略。这项研究概述了深度强化学习算法(DRL)。它提出了一个命名的自动驾驶DRL技术已被使用,从而讨论了重要的计算问题,在现实环境中评估自动驾驶代理。相反,它涉及类似但不是标准的RL技术,毗邻的领域,如动作仿真,建模模仿,反向强化学习。模拟器在训练代理中的作用得到了解决,验证,检查和现有RL解决方案的鲁棒性的方法也得到了解决。
2023-02-13 cs.RO
Closing the Planning-Learning Loop with Application to Autonomous Driving
National University of Singapore(新加坡国立大学)
不确定环境下的实时规划是机器人在复杂动态环境中运行的关键。例如,考虑在密集的、不受管制的汽车、摩托车、公共汽车等城市交通中驾驶的自动机器人车辆,机器人车辆必须在短期和长期两方面进行规划,以便与许多具有不确定意图的交通参与者进行交互并有效地驾驶。然而,在很长一段时间内明确规划,会产生高昂的计算成本,并且在实时约束下是不切实际的。为了实现大规模规划的实时性能,这项工作介绍了一种新的算法从树搜索学习驾驶(LeTS-Drive),它集成了规划和学习在一个闭环,并将其应用于自动驾驶在拥挤的城市交通模拟。具体来说,LeTS驱动器学习的政策和它的价值函数提供的在线规划,搜索稀疏采样的信念树的数据;在线规划器反过来使用学习的政策和价值函数的算法,以扩大其运行时的性能,实时机器人控制。重复这两个步骤,形成一个闭环,使规划者和学习者相互通报,并同步提高。该算法以自我监督的方式自行学习,无需人工对显式数据进行标记。实验结果表明,LeTS-Drive优于单独的规划或学习,以及规划和学习的开环集成。
2022-08-09 cs.RO
Assessing the Criticality of Longitudinal Driving Scenarios using Time Series Data
Esslingen University of Applied Sciences(埃斯林根应用科学大学)
本文提出基于纵向驾驶时间序列数据的安全指标,用于检测自动驾驶中的安全关键场景,以支持算法的测试与验证。
2023-05-29 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
BEVGPT: Generative Pre-trained Large Model for Autonomous Driving Prediction, Decision-Making, and Planning
The Hong Kong University of Science and Technology(香港科技大学);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Tongji University(同济大学);University of Washington(华盛顿大学)
本文提出BEVGPT,首个仅以鸟瞰图图像为输入的生成式预训练大模型,集成预测、决策与规划,在决策和运动规划指标上分别以100%和66%超越先前方法。
2023-10-16 cs.RO
Want a Ride? Attitudes Towards Autonomous Driving and Behavior in Autonomous Vehicles
Johannes Kepler University Linz(约翰内斯·开普勒大学林茨分校)
本文通过12人实地实验,发现对自动驾驶的态度并不影响驾驶干预和视线行为,指出缺乏实地测试的自动驾驶研究在评估行为、态度与接受度方面可能不可靠。
2024-09-04 cs.HC cs.RO
CAAD: Computer Architecture for Autonomous Driving
我们描述了自动驾驶中涉及的计算任务,研究了现有的自动驾驶计算平台的实现。为了实现自动驾驶,计算堆栈需要以低成本同时提供高性能、低功耗和低散热。我们讨论了设计计算平台,将满足这些需求的可能方法。
2017-02-07 cs.AR cs.RO
Overview of Tools Supporting Planning for Automated Driving
Virtual Vehicle Research Center(虚拟车辆研究中心)
规划是自动驾驶领域的一个重要主题。除了文献中广泛涉及的规划算法之外,规划还需要不同的软件工具来进行开发、验证和执行。本文提出了一个调查,这些工具包括地图表示,通信,交通规则,开源规划栈和中间件,仿真和可视化工具以及基准。我们首先定义规划任务和不同的支持工具。接下来,我们提供了一个全面的国家的最先进的发展和分析它们之间的关系。最后,我们讨论了目前的差距,并提出了未来的研究方向。
2020-03-09 cs.AI cs.RO
Towards Fully Intelligent Transportation through Infrastructure-Vehicle Cooperative Autonomous Driving: Challenges and Opportunities
PerceptIn(感知创新公司);South China University of Technology(华南理工大学);Northwestern University(西北大学)
基础设施-车辆协同自动驾驶方法依赖于智能道路和智能车辆之间的合作。与传统的车载自动驾驶方法相比,这种方法不仅更安全,而且更经济。在本文中,我们介绍了我们在协作自动驾驶领域的实际部署经验,并深入探讨了新挑战和机遇的细节。具体而言,根据我们在商业部署方面的进展,我们遵循了合作自动驾驶方法的三个阶段发展路线图:基础设施增强自动驾驶(IAAD),基础设施引导自动驾驶(IGAD)和基础设施规划自动驾驶(iPad)。
2021-03-03 cs.AR cs.NI cs.RO
Autonomous Driving Data Chain & Interfaces
自动驾驶技术的最新发展已经证明,地图数据不仅可以用于一般的路由目的,还可以用于增强和补充常见的传感器数据。本文档回顾了自我修复地图数据链每一步最常用的接口和格式。
2021-04-02 cs.AI cs.RO
Hybrid Deep Reinforcement Learning and Planning for Safe and Comfortable Automated Driving
Saarland University(萨尔大学);German Research Center for Artificial Intelligence(德国人工智能研究中心)
我们提出了一种新的混合学习方法,HyLEAR,用于解决POMDPs中自动驾驶汽车的无碰撞导航问题。HyLEAR利用插入式学习将混合规划器的知识嵌入深度强化学习器中,以更快地确定安全舒适的驾驶策略。特别地,混合规划器将行人路径预测和风险感知路径规划与基于驾驶行为规则的推理相结合,使得驾驶策略还尽可能地考虑乘坐舒适性和给定的驾驶行为规则集。我们对关键交通场景的CARLA-CTS 1基准的实验性能分析表明,HyLEAR在安全性和乘坐舒适性方面可以显着优于选定的基线。
2022-12-30 cs.AI 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
Autonomous Driving Strategies at Intersections: Scenarios, State-of-the-Art, and Future Outlooks
Beijing Institute of Technology(北京理工大学);Delft University of Technology(代尔夫特理工大学)
由于交叉口场景的复杂性和动态性,交叉口自动驾驶策略一直是近年来智能交通系统研究的难点和热点。本文简要总结了交叉口自动驾驶策略的发展现状。首先,我们列举和分析了常见的交叉口场景类型,相应的仿真平台,以及相关的数据集。其次,通过回顾以往的研究,我们总结了现有的自动驾驶策略的特点,并将其分为几类。最后指出了现有自动驾驶策略存在的问题,并提出了几点有价值的研究展望。
2021-07-13 cs.AI 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
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
NeuroFlow: Development of lightweight and efficient model integration scheduling strategy for autonomous driving system
Seoul National University(首尔国立大学)
本研究提出名为NeuroFlow的自动驾驶专用系统,通过优化数据流、动态调整深度学习模型影响因素及确定非深度学习算法资源优先级,在实车多场景实验中验证了稳定推理与有效控制能力,为自动驾驶系统发展提供新突破。
2023-12-15 cs.AI cs.RO
PPAD: Iterative Interactions of Prediction and Planning for End-to-end Autonomous Driving
HKUST(香港科技大学)
提出PPAD框架,通过时间步级交错预测与规划并设计多交互机制,在nuScenes上超越现有方法。
2024-07-22 cs.CV cs.RO
FactorDrive: Adaptive Multi-Step Reasoning Driven by Planning-Critical Factors for End-to-End Autonomous Driving
Southeast University(东南大学);Universiti Malay(马来亚大学);Ant Group(蚂蚁集团);Tsinghua University(清华大学);Peking University(北京大学)
该研究针对现有端到端自动驾驶方法在空间物理证据融合、推理适应及推理路径优化上的不足,提出FactorDrive框架,通过PCF-CoT数据集与QS-GRPO算法优化推理,在两类基准上取得最优规划性能。
2026-08-11 cs.CV cs.RO
VADv2: End-to-End Vectorized Autonomous Driving via Probabilistic Planning
Huazhong University of Science and Technology(华中科技大学);Horizon Robotics
本文提出VADv2,一种基于概率规划的端到端自主驾驶模型,通过概率场函数建模动作空间到概率分布的映射,利用大规模驾驶演示提升闭合回路性能,优于现有方法。
2026-04-17 cs.CV cs.RO
Development of Real-time Rendering Technology for High-Precision Models in Autonomous Driving
我们的自动驾驶模拟实验室制作了模拟停车场的高精度3D模型。然而,目前的模型在某些方面仍然存在绘制质量差的问题。在这项工作中,我们开发了一个系统,以提高模型的渲染和评估渲染模型的质量。
2023-03-20 cs.CV cs.RO
Driving Style Encoder: Situational Reward Adaptation for General-Purpose Planning in Automated Driving
Volkswagen AG(大众汽车公司);Technische Universität Darmstadt(达姆施塔特工业大学)
自动驾驶的通用规划算法结合了任务、行为和局部运动规划。这种规划算法将环境和驾驶运动学的特征映射到复杂的奖励函数中。为了实现这一目标,规划专家通常依赖于线性奖励函数。这些奖励函数的规范和调优是一个繁琐的过程,需要大量的经验。此外,手动设计的线性奖励函数不能在不同的驾驶情况下推广。在这项工作中,我们提出了一种基于逆强化学习的深度学习方法,该方法可以生成依赖于情境的奖励函数。我们的神经网络提供了一个基于模型预测控制的规划器的采样驾驶策略的特征和动作之间的映射,并预测即将到来的规划周期的奖励函数。在我们的评估中,我们将深度网络预测的奖励函数的驱动风格与聚类和线性奖励函数进行了比较。我们提出的深度学习方法优于集群线性奖励函数,并且与具有有关情况的先验知识的线性奖励函数相当。
2020-09-13 cs.AI cs.LG cs.RO
Towards Benchmarking and Assessing the Safety and Robustness of Autonomous Driving on Safety-critical Scenarios
Zhongguancun Laboratory(中关村实验室);Beihang University(北京航空航天大学);Institute of Data Space, Hefei Comprehensive National Science Center(合肥综合性国家科学中心数据空间研究院);Institute of Information Science, Beijing Jiaotong University(北京交通大学信息科学研究所);A*STAR(新加坡科技研究局)
本研究针对自动驾驶在安全关键场景下的安全性与鲁棒性评估不足的问题,明确了安全关键场景定义,开发了涵盖感知与系统级评估的自动驾驶安全测试平台,为行业建立标准化测试框架和降低实际道路部署风险提供技术支持。
2025-04-07 cs.AI cs.RO
Estimating Risk Levels of Driving Scenarios through Analysis of Driving Styles for Autonomous Vehicles
University of Science and Technology of China(中国科学技术大学);Carnegie Mellon University(卡内基梅隆大学)
为了在道路上安全行驶,自动驾驶汽车不仅需要能够识别前方的物体,还需要能够自动估计前方物体的风险等级。很明显,不同的物体对自动驾驶汽车的危险程度不同。自动驾驶汽车需要一个评估系统来自动确定物体的危险程度。如果系统完全由人来定义,那就太主观,太不完整了。在此基础上,提出了一种基于非参数贝叶斯学习方法的框架--粘性层次狄利克雷过程隐马尔可夫模型(sticky HDP-HMM),并发现了驾驶场景与驾驶风格之间的关系。我们使用自动驾驶汽车的驾驶风格的分析,以反映驾驶场景的车辆的风险水平。在该框架中,首先使用粘性HDP-HMM从数据集中提取驾驶风格,得到不同的聚类,然后提出一个评价体系对聚类的紧急程度进行评价和排序。最后,我们将驾驶场景映射到排名结果,从而得到不同风险级别的驾驶场景聚类。更重要的是,我们发现驾驶场景和驾驶风格之间的关系。实验结果表明,该框架能够对不同紧急程度的驾驶风格进行聚类和排序,发现驾驶场景与驾驶风格之间的关系,得出的结论也符合人们的驾驶常识。此外,该框架可用于自动驾驶汽车,以估计驾驶场景的风险水平,并帮助他们做出准确和安全的决策。
2019-04-23 cs.HC cs.RO
Perspective, Survey and Trends: Public Driving Datasets and Toolsets for Autonomous Driving Virtual Test
Beihang University(北京航空航天大学)
与真实场景下的闭环测试相比,自动驾驶虚拟测试具有早期安全性和可靠性保证的优点,近年来受到越来越多的关注。虽然自动驾驶数据集和工具集的可用性和质量是诊断自动驾驶系统瓶颈和提高系统性能的前提,但由于数据集和工具集的多样性和隐私性,收集和表征它们的视角和质量不仅耗时而且越来越具有挑战性。本文首先提出了自动驾驶测试(SLA)的系统文献综述方法,然后概述了2000年至2020年现有的公开数据集和工具集。通过35个自动驾驶测试工具集和70个测试数据集,给出了相关场景的定量结果、观点和趋势推断以及建议。据我们所知,我们是第一个使用基于SLA的调查方法对数据集和工具集进行这种最新的实证调查。我们的多方面分析和新发现不仅揭示了我们认为对系统设计者,从业者和用户有用的见解,而且还可以促进更多关于数据集和工具集的自动驾驶调查系统调查分析的研究。
2021-06-30 cs.AI cs.RO
Approaching Current Challenges in Developing a Software Stack for Fully Autonomous Driving
Technical University of Munich(慕尼黑工业大学)
自动驾驶是一项复杂的任务。一种常见的方法是通过模块化将驾驶任务分解为单独的子任务。这些子模块通常单独开发和发布。然而,如果这些单独开发的算法必须再次组合以形成全栈自动驾驶软件,这将带来特殊的挑战。根据我们在开发TUM Autonomous Motorsport软件方面的实践经验,我们已经确定并得出了在科学环境中开发自动驾驶软件堆栈的这些挑战。我们不关注个别算法的具体挑战,而是关注在现实世界的测试车辆上部署研究算法时出现的一般困难。为了克服这些挑战,我们采用了在我们的发展方法中行之有效的战略。我们还提供了开源实现,在GitHub上实现这些概念。因此,本文的贡献将简化未来的全栈自动驾驶项目,这对于全面评估各个算法至关重要。
2025-04-17 cs.RO cs.SE
Integrating End-to-End and Modular Driving Approaches for Online Corner Case Detection in Autonomous Driving
Technical University of Munich (TUM)(慕尼黑工业大学);Institute of Automotive Technology(汽车技术研究所)
本文提出将端到端网络作为辅助系统与模块化驾驶系统并行运行,利用两者输出不一致实现在线极端情况检测,并在真实车辆上验证了该方法对提升自动驾驶安全性的潜力。
2024-09-02 cs.AI cs.RO
HyPlan: Hybrid Learning-Assisted Planning Under Uncertainty for Safe Autonomous Driving
Saarland University, Computer Science Dept.(萨尔兰大学计算机科学系);German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心);French National Centre for Scientific Research (CNRS)(法国国家科学研究中心)
HyPlan通过结合多智能体行为预测、深度强化学习和POMDP规划,实现安全且高效的自动驾驶导航
2026-02-06 cs.AI cs.RO
A Driving Intention Prediction Method Based on Hidden Markov Model for Autonomous Driving
在自动驾驶车辆和人类驾驶车辆同时存在的混合交通场景中,及时预测附近人类驾驶车辆的驾驶意图对于自动驾驶车辆的安全和高效驾驶至关重要。提出了一种基于隐马尔可夫模型(HMM)的自动驾驶汽车驾驶意图预测方法。代表不同的驾驶意图的障碍训练和测试与现场收集的数据从立交桥。在训练模型时,应用车辆的移动性特征的离散或连续表征。实验结果表明,利用连续表征的移动性特征训练的Hacker用于驾驶意图预测时,具有较高的预测精度。此外,当考虑车辆周围交通时,所提出的预测方法的性能得到进一步改善。
2019-02-25 cs.LG cs.RO stat.ML
Optimizing Low-Speed Autonomous Driving: A Reinforcement Learning Approach to Route Stability and Maximum Speed
本文提出一种基于强化学习的低速自动驾驶策略优化方法,在保证安全和路线准确性的前提下,使车辆稳定保持接近最高速度行驶。
2024-12-20 cs.AI cs.RO
Computing Systems for Autonomous Driving: State-of-the-Art and Challenges
Wayne State University(韦恩州立大学);Anhui University(安徽大学)
最近计算技术的激增(例如,传感器、计算机视觉、机器学习和硬件加速),以及通信机制的广泛部署(例如,DSRC,C-V2X,5G)推动了自动驾驶的发展,自动驾驶通过利用基于多个传感器的感知结果来自动决策和控制车辆。这些自主系统成功的关键是以实时方式做出可靠的决策。然而,由早期部署的自动驾驶车辆引起的事故和死亡不时发生。真实的交通环境对于当前的自动驾驶计算系统来说过于复杂,无法理解和处理。在本文中,我们介绍了最先进的自动驾驶计算系统,包括七个性能指标和九个关键技术,其次是实现自动驾驶的十二个挑战。我们希望这篇论文能引起计算机和汽车界的关注,并激发更多的研究。
2020-12-07 cs.DC cs.RO
DP and QP Based Decision-making and Planning for Autonomous Vehicle
本文提出一种结合动态规划(DP)全局路径规划与二次规划(QP)局部轨迹优化的自动驾驶决策规划框架,利用S-T图实现动静态障碍物避让,仿真验证了其在复杂环境中的有效性与鲁棒性。
2024-11-11 cs.RO cs.SY eess.SY
INTERNEURON: A Middleware with Multi-Network Communication Reliability for Infrastructure Vehicle Cooperative Autonomous Driving
Institute of Computing Technology, CAS(中国科学院计算技术研究所);University of Delaware(特拉华大学);University of Chinese Academy of Sciences(中国科学院大学)
结构-车辆协同自动驾驶(IVCAD)是一种新的自动驾驶模式,它依赖于智能道路和自动驾驶车辆之间的协作。与仅车载自动驾驶模式相比,这种模式已被证明更安全,更高效。我们的实际部署数据表明,IVCAD的有效性受到商业通信网络的可靠性和性能的限制。本文正是针对这一问题,并提出了INTERNEURON,一个中间件,以实现智能道路和自动驾驶汽车之间的高通信可靠性,在IVCAD的背景下。具体而言,INTERNEURON根据不同的通信性能和质量需求,动态匹配IVCAD应用程序和底层通信技术。评估结果证实,INTERNEURON减少了超过95%的最后期限违规,显着提高了IVCAD系统的可靠性。
2022-10-28 cs.PL cs.RO
Improving Automated Driving through POMDP Planning with Human Internal States
Stanford University(斯坦福大学)
这项工作研究的假设,部分可观察马尔可夫决策过程(POMDP)规划与人类驾驶员的内部状态,可以显着提高安全性和效率,在自动高速公路驾驶。我们在一个模拟场景中评估了这一假设,在这个场景中,自动驾驶汽车必须安全地连续进行三次车道变换。通过观测加宽部分可观测蒙特卡罗规划(POMCPOW)算法得到了POMDP的近似解。这种方法优于过度自信和保守的MDP基线,并匹配或优于QMDP。相对于MDP基准,POMCPOW通常将不安全情况的发生率降低一半或将成功率提高50%。
2022-06-09 cs.AI cs.RO
HiP-AD: Hierarchical and Multi-Granularity Planning with Deformable Attention for Autonomous Driving in a Single Decoder
Nullmax
本文提出HiP-AD框架,通过多粒度规划查询与可变形注意力机制,在单一解码器中统一实现感知、预测和规划,显著提升端到端自动驾驶的闭环性能。
2025-03-11 cs.CV cs.RO
An Independent Study of Reinforcement Learning and Autonomous Driving
University of Michigan(密歇根大学)
强化学习已经成为近十年来最热门的研究课题之一。它已经在机器人操作、自动驾驶、路径规划、计算机游戏等各个领域得到了应用。我们在这个项目的过程中完成了三项任务。首先,我们研究了表格环境下的Q-学习算法,并将其成功地应用于OpenAi Gym环境Taxi。其次,我们理解并实现了Cart-Pole环境下的深度Q网络算法。第三,我们还研究了强化学习在自动驾驶中的应用,以及与安全检查约束(安全控制器)的结合。我们使用高速公路健身房环境训练了一个粗糙的自动驾驶智能体,并探讨了奖励函数等各种环境配置对智能体训练性能的影响。
2021-08-20 cs.AI cs.RO
PKRD-CoT: A Unified Chain-of-thought Prompting for Multi-Modal Large Language Models in Autonomous Driving
School of Information Technology, Monash University Malaysia(马来西亚莫纳什大学信息技术学院)
本文提出基于感知、知识、推理与决策的 PKRD-CoT 零样本思维链提示框架,使 GPT-4.0 等多模态大语言模型无需训练即可提升自动驾驶实时决策表现。
2024-12-02 cs.AI cs.RO
Traffic-Aware Autonomous Driving with Differentiable Traffic Simulation
University of Maryland at College Park(马里兰大学帕克分校)
提出交通感知自动驾驶方法TrAAD,通过引入可微交通仿真信息指导模仿学习的速度控制监督,使自动驾驶车辆学会优化交通流并降低整体能耗。
2023-04-07 cs.MA cs.RO
SuperDriverAI: Towards Design and Implementation for End-to-End Learning-based Autonomous Driving
National Institute of Informatics(国立信息学研究所);TURING, Inc.(图灵公司)
本文提出端到端自动驾驶系统SuperDriver AI,利用DNN学习人类驾驶策略并保证安全,引入slit模型和视觉注意力模块提升鲁棒性与可解释性,并在东京真实场景中验证了其有效性。
2023-05-14 cs.AI cs.RO
Hybrid Video Anomaly Detection for Anomalous Scenarios in Autonomous Driving
Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院);FZI Research Center for Information Technology(弗劳恩霍夫信息与通信技术研究中心)
针对自动驾驶场景,提出HF$^2$-VAD$_{AD}$方法,从车辆自视角学习正常性表示,在罕见关键场景中实现逐像素异常检测。
2025-04-28 cs.CV cs.RO
Self-Driving like a Human driver instead of a Robocar: Personalized comfortable driving experience for autonomous vehicles
Seamless Transportation Lab (STL)(无缝交通实验室);Yonsei University(延世大学)
为了给自动驾驶汽车用户提供个性化的舒适驾驶体验,提出了一种基于个人驾驶偏好的自动驾驶汽车集成控制系统。我们提出了一个乘客的偏好度量(OPM),这是定义一个首选的横向和纵向加速度区域的最大允许加加速度为用户。此外,我们提出了一个车辆控制器的控制参数的基础上,使集成的横向和纵向控制,通过自主车辆的偏好感知操纵。该系统不仅提供了乘员驾驶偏好的标准,还提供了个性化的自动驾驶风格,就像人类驾驶员而不是Robocar一样。仿真和实验结果表明,该系统可以像人类驾驶员一样操纵自动驾驶汽车,通过跟踪指定的标准,允许的加速度和加加速度。
2022-11-18 cs.RO cs.SY eess.SY
High-Definition Map Generation Technologies For Autonomous Driving
Ontario Tech University(安大略理工大学)
在过去的几年里,自动驾驶一直是最受欢迎和最具挑战性的话题之一。在实现完全自动驾驶的道路上,研究人员利用了各种传感器,如LiDAR,相机,惯性测量单元(IMU)和GPS,并开发了用于自动驾驶应用的智能算法,如目标检测,对象分割,避障和路径规划。近年来,高清(HD)地图引起了人们的广泛关注。由于高清地图在定位方面的高精度和信息水平,它已立即成为自动驾驶的关键组成部分之一。从百度Apollo、英伟达、TomTom等大型组织到个人研究人员,研究人员已经为自动驾驶创建了不同场景和目的的高清地图。有必要回顾一下高清地图生成的最新方法。本文回顾了最近的高清地图生成技术,利用2D和3D地图生成。本文介绍了高清地图的概念及其在自动驾驶中的实用性,并详细概述了高清地图生成技术。我们还将讨论当前高清地图生成技术的局限性,以激励未来的研究。
2022-06-24 cs.CV cs.RO
End-To-End Planning of Autonomous Driving in Industry and Academia: 2022-2023
本文回顾了2022-2023年工业界与学术界自动驾驶端到端规划的方法与技术,涵盖多家企业方案及前沿学术研究,为初学者与高级研究人员提供简洁的入门与补充材料。
2025-04-28 cs.AI cs.RO
CRLLK: Constrained Reinforcement Learning for Lane Keeping in Autonomous Driving
Nanyang Technological University(南洋理工大学);Indian Institute of Technological(印度技术学院);Indian Institute of Technology(印度理工学院)
提出将车道保持建模为约束强化学习,自动学习权重系数,免去场景特定调整,实验证明其优于传统RL并具有实际应用价值。
2025-03-28 cs.LG 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
The Importance of Autonomous Driving Using 5G Technology
Northwestern University(西北大学)
自动驾驶的三个关键是传感器、数据集成和100%安全决策。过去,由于网络的高延迟和低可靠性,许多决策必须在车辆中本地做出。这对车辆本身提出了很高的要求,导致自动驾驶的商业化进程缓慢。随着5G的到来,这些情况将得到极大改善。在本文中,我们介绍了5G技术为自动驾驶汽车带来的改进,特别是在延迟和可靠性方面。本文分析了5G可以改进自动驾驶汽车和智能交通系统(ITS)的具体领域,并展望了5G技术在未来的应用。
2021-08-20 cs.RO eess.SP