Safe Trajectory Planning Using Reinforcement Learning for Self Driving
Texas A&M University（德州农工大学）；Carnegie Mellon University（卡内基梅隆大学）
自动驾驶汽车必须能够在各种复杂的环境中智能地行动，这些环境以高维状态空间、无数优化目标和复杂行为为标志。传统上，经典的优化和搜索技术已被应用于自动驾驶的问题，但它们并没有完全解决在高维状态和复杂行为的环境中的操作。最近，针对自动驾驶的任务提出了模仿学习;但是获得足够的训练数据是劳动密集型的。强化学习已被提出作为直接控制汽车的一种方式，但这存在安全性和舒适性问题。我们建议在自动驾驶的轨迹规划阶段使用无模型强化学习，并表明这种方法使我们能够以更安全，更通用和更舒适的方式操作汽车，这是自动驾驶任务所需的。
2020-11-09 cs.AI 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
A Data-Driven Approach for Autonomous Motion Planning and Control in Off-Road Driving Scenarios
本文提出了一种新的数据驱动的方法，车辆运动规划和控制在越野驾驶场景。对于自动越野驾驶，环境条件会影响地形的可通行性，这是天气、表面成分和坡度的函数。处理地理信息系统和国家环境信息中心数据集，为交互式规划和控制系统要素提供这一信息。顶层全局路线规划器（GRP）使用动态规划（DP）来定义最优航路点。本地路径规划器（LPP）计算航路点之间的期望轨迹，从而避免不可行的控制状态和与障碍物的碰撞。LPP还利用实时感测和控制数据更新GRP。一个低层次的反馈控制器应用反馈线性化渐近跟踪指定的LPP轨迹。自动驾驶模拟结果的地形穿越俄勒冈州和印第安纳州的案例研究。
2018-05-25 cs.AI 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
LLaViDA: A Large Language Vision Driving Assistant for Explicit Reasoning and Enhanced Trajectory Planning
Duke University（杜克大学）；Georgia State University（佐治亚州立大学）；University of Florida（佛罗里达大学）
LLaViDA通过视觉-语言模型实现显式推理和轨迹规划，提升自动驾驶的轨迹规划性能。
2025-12-20 cs.AI 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
Hierarchical Trajectory Planning for Autonomous Driving in Low-speed Driving Scenarios Based on RRT and Optimization
The Hong Kong University of Science and Technology（香港科技大学）
虽然人们对城市道路和高速公路上的路径规划进行了大量的研究，但很少有研究低速驾驶场景下的驾驶策略和轨迹规划，例如，在大学校园内驾驶或在住宅区或工业区内驾驶。在这些情况下的规划研究是至关重要的，因为这些环境往往涵盖了日常旅行或物流系统的第一公里或最后一公里。此外，有必要区别对待这些场景，因为在大多数情况下，驾驶环境是狭窄的，动态的，并且充满障碍物，这也导致在这种环境中进行规划仍然是一项具有挑战性的任务。提出了一种将路径规划和时间规划分离的层次规划方法。通过改进的双向快速探索随机树（bi-RRT）方法生成满足运动学约束的路径。然后，通过序列二次规划（SQP）的安全区间（SI）定义的可行的搜索范围，优化的路径的每个节点的时间戳。不同驾驶场景下的仿真和实车试验证明了该方法的有效性。
2019-04-04 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
Adversarial Deep Reinforcement Learning for Improving the Robustness of Multi-agent Autonomous Driving Policies
Simula Research Laboratory（Simula研究实验室）
众所周知，自动驾驶汽车容易受到对抗攻击的攻击，这些攻击可能危及汽车的安全，并对其他道路使用者构成危险。为了有效地防御对手，不仅需要测试自动驾驶汽车以发现驾驶错误，还需要提高汽车对这些错误的鲁棒性。为此，在本文中，我们提出了一种自动驾驶汽车的两步方法，包括（i）通过训练对抗性驾驶代理来发现自动驾驶汽车的故障状态，以及（ii）通过使用有效的对抗性输入重新训练自动驾驶汽车来提高自动驾驶汽车的鲁棒性。我们的方法支持在多智能体环境中测试自动驾驶汽车，在那里我们训练并比较两个自定义奖励函数上的对抗性汽车策略，以测试自动驾驶汽车的驾驶控制决策。我们在基于视觉的高保真城市驾驶模拟环境中进行实验。我们的研究结果表明，对抗性测试可用于发现错误的自动驾驶行为，然后进行对抗性训练，以提高基于深度强化学习的自动驾驶策略的鲁棒性。我们证明，使用有效的对抗性输入重新训练的自动驾驶汽车在减少碰撞和越野转向错误方面显着提高了其驾驶策略的性能。
2023-02-21 cs.AI
RiskMap: A Unified Driving Context Representation for Autonomous Motion Planning in Urban Driving Environment
The Hong Kong University of Science and Technology（香港科技大学）；Division of Emerging Interdisciplinary Areas（新兴跨学科领域）；Robotics and Autonomous Systems Thrust（机器人与自主系统方向）；Department of Electronic and Computer Engineering（电子与计算机工程系）
本文提出一种名为RiskMap的由深度神经网络支持的统一上下文表示，通过可微风险场为下游规划任务提供驾驶成本先验，以简化复杂场景规划并提升驾驶安全性与平顺性。
2024-10-11 cs.RO
Scaling Is All You Need: Autonomous Driving with JAX-Accelerated Reinforcement Learning
本文利用JAX加速的强化学习系统，结合高效逼真的驾驶模拟器，在自动驾驶领域进行大规模实验，证明策略性能随规模提升，最佳策略降低失败率64%并提高驾驶进展率25%。
2024-11-05 cs.AI cs.LG cs.RO
Task-Motion Planning for Safe and Efficient Urban Driving
SUNY Binghamton（纽约州立大学宾汉姆顿分校）
自动驾驶汽车需要在任务级别进行规划，以计算一系列符号动作，例如向左合并和向右转弯，以满足人们的服务请求，其中效率是主要关注的问题。与此同时，车辆必须计算连续的轨迹，以在运动级别执行动作，其中安全是最重要的。自动驾驶中的任务-运动规划面临着在保证运动级安全的同时最大化任务级效率的问题。为此，我们开发的算法任务-运动规划的城市驾驶（TMPUD），第一次，使任务和运动规划者沟通的安全水平的驾驶行为。TMPUD已使用现实的城市驾驶模拟平台进行了评估。结果表明，TMPUD在效率方面明显优于文献中的竞争基线，同时确保驾驶行为的安全性。
2020-10-13 cs.RO
Driving with Style: Inverse Reinforcement Learning in General-Purpose Planning for Automated Driving
Volkswagen AG（大众汽车公司）；Technische Universität Darmstadt（达姆施塔特工业大学）
行为和运动规划在自动驾驶中起着重要的作用。传统上，行为规划器用预定义的行为指示局部运动规划器。由于城市环境中场景的高度复杂性，可能会发生不可预测的情况，其中行为规划者无法匹配预定义的行为模板。最近，已经引入了通用规划器，其结合了行为和局部运动规划。这些通用规划器允许给定单个奖励函数的行为感知运动规划。然而，出现了两个挑战：首先，该函数必须将复杂的特征空间映射到奖励。其次，奖励功能必须由专家手动调整。手动调整此奖励函数成为一项繁琐的任务。在本文中，我们提出了一种方法，依赖于人类驾驶示范自动调整奖励功能。该研究为基于最大熵逆强化学习的通用规划者驾驶风格优化提供了重要的思路。我们评估我们的方法的基础上学习和演示的政策之间的期望值差异。此外，我们比较了人类驱动的轨迹与我们的计划器的最优策略下学习和专家调整的奖励函数的相似性。我们的实验表明，我们能够学习奖励函数超过手动专家调整的水平，没有事先的领域知识。
2020-09-12 cs.AI cs.LG cs.RO
Motion Planning Of an Autonomous Mobile Robot Using Artificial Neural Network
Mody Institute of Technology and Science（莫迪理工学院）；PEC University of Technology（旁遮普工程学院大学）
本文介绍了电子设计和运动规划的机器人决策的基础上，关于它的直线运动和精确转弯的人工神经网络（ANN）。人工神经网络有助于机器人的学习，使其自主执行运动。计算的权重在微控制器中实现。性能经测试是优秀的。
2012-07-20 cs.AI cs.LG cs.NE
Unveiling Uncertainty-Aware Autonomous Cooperative Learning Based Planning Strategy
本文提出基于深度强化学习的自主协作规划框架DRLACP，通过门控循环单元改进SAC算法，有效应对多车辆协作规划中的感知、规划和通信不确定性，实验证明其在不同场景下优于基线方法。
2026-04-22 cs.RO
Local Trajectory Planning For UAV Autonomous Landing
Technion - Israel Institute of Technology（以色列理工学院）
自主式无人机的一个重要能力是在自主着陆过程中避免与障碍物碰撞。这种能力需要实时的本地轨迹规划。虽然在紧急着陆等情况下已经引入了自动规划方法，但在现实生活中，只有障碍物的表面可以被感知和检测，因此还没有对这些方法进行评估。我们提出了一种新的优化框架，使用预先规划的全局路径和优先级地图的着陆区。在一个模拟器中实现并评估了几种轨迹规划算法，该模拟器包括3D城市环境、基于LiDAR的障碍物表面传感以及无人机制导和动力学。我们表明，使用我们提出的优化标准可以成功地提高着陆任务的成功概率，同时避免碰撞的障碍物在实时。
2021-11-18 cs.RO
Towards Courteous Behavior and Trajectory Planning for Automated Driving
Ulm University（乌尔姆大学）；Visteon Corporation（伟世通公司）
高效的行为和轨迹规划是自动驾驶面临的主要挑战之一。特别是交叉口的情况下，是非常苛刻的，由于其复杂性所产生的各种机动的可能性和其他交通参与者。一个关键的挑战是产生优化自我车辆的舒适性和进度的行为，但同时又不会对其他交通参与者过于咄咄逼人。为了保持礼貌行为和轨迹规划的实时的能力，需要最优控制问题的有效形式和相应的求解算法。因此，提出了一种新的规划框架，它考虑了舒适和进步，以及礼貌的行动，在基于图的行为规划模块。利用低级别轨迹生成，可以进一步优化行为结果以获得驾驶舒适性，同时满足整个规划范围内的约束。实验结果表明，该框架具有较好的实用性和实时的性。
2019-07-23 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
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
Simulated Autonomous Driving on Realistic Road Networks using Deep Reinforcement Learning
vsi.cs.uni-frankfurt.de（法兰克福大学vsi.cs（vsi.cs.uni-frankfurt.de））；cs.uni-frankfurt.de（法兰克福大学计算机科学系（cs.uni-frankfurt.de））
使用深度强化学习（DRL）可以成为处理（模拟）自动驾驶领域各种任务的一种有前途的方法。然而，最近的出版物主要考虑在不寻常的驾驶环境中学习。本文介绍了驾驶学校的自主智能体（DSA ^2），一个软件，用于验证DRL算法在更常见的驾驶环境的基础上，人工和现实的道路网络。我们还介绍了应用DSA ^2处理直线道路上驾驶的任务，同时根据不同的速度限制调节一辆车的速度的结果。
2018-04-03 cs.AI
Results of the 2023 CommonRoad Motion Planning Competition for Autonomous Vehicles
Université Paris Cité（巴黎大学）；Technische Universität München（慕尼黑工业大学）
基于CommonRoad基准套件举办自动驾驶运动规划竞赛，评估各方法在效率、安全、舒适及交通规则遵守方面的表现，并总结主要结果。
2024-11-10 cs.RO
DL-AMP and DBTO: An Automatic Merge Planning and Trajectory Optimization and Its Application in Autonomous Driving
Shanghai Automotive Industry Corporation, Ltd.（上海汽车工业股份有限公司）
提出了一种自动合并算法，该算法将自动驾驶车辆的运动规划问题分解为双层自动合并规划（DL_AMP）和基于下降的轨迹优化（DBTO）。这项工作在寻找最佳合并机会，横向和纵向合并规划和控制，轨迹后处理和驾驶舒适性方面有很大的改进。
2021-07-30 cs.RO cs.SY eess.SY
A Look at Motion Planning for Autonomous Vehicles at an Intersection
SRM Institute of Science and Technology（SRM科学技术研究所）
自动驾驶汽车目前正在各种场景中进行测试。当我们走向自动驾驶汽车时，十字路口应该是什么样子？为了回答这个问题，我们将交叉口管理分解为轨迹规划中涉及的不同难题和场景以及解决这些难题的当前方法。然后，简要分析了目前自主交叉口的研究现状。以批判的眼光，我们试图深入研究现有解决方案的差异，同时提出一些已经解决的关键和重要因素。此外，还强调了必须解决的未决问题。我们还试图回答的问题，如何基准交叉口管理算法，提供一些因素，影响自主导航在交叉口。
2018-09-07 cs.RO
Real-Time Joint Simulation of LiDAR Perception and Motion Planning for Automated Driving
Worcester Polytechnic Institute（伍斯特理工学院）
提出一个基于LiDAR感知与运动规划的联合仿真框架，在CARLA中实现25Hz实时运行，通过新碰撞边界和线段相交检测算法，实现高精度感知与安全距离保持。
2023-08-30 cs.RO
Slope Considered Online Nonlinear Trajectory Planning with Differential Energy Model for Autonomous Driving
University of Delaware（特拉华大学）
针对自动驾驶模型无关方法难以实现节能轨迹规划的问题，提出集成可微分能量模型的在线非线性规划轨迹优化框架，结合交通与坡度预测提升燃油效率，带来显著经济效益，填补相关研究空白。
2024-12-12 cs.RO
Simulated Autonomous Driving in a Realistic Driving Environment using Deep Reinforcement Learning and a Deterministic Finite State Machine
Goethe University（歌德大学）；Norwegian University of Science and Technology（挪威科技大学）
在自动驾驶领域，控制车辆的系统可以被视为在复杂环境中行动的智能体，因此自然适合强化学习的现代框架。然而，学习驾驶可能是一项具有挑战性的任务，目前的结果往往局限于简化的驾驶环境。为了推进该领域，我们提出了一种方法，根据其当前的驾驶情况自适应地限制代理的动作空间，并表明它可以用于在基于深度Q网络算法的现实环境中快速学习驾驶。
2018-11-23 cs.AI
A Human-Centric Method for Generating Causal Explanations in Natural Language for Autonomous Vehicle Motion Planning
University of Edinburgh（爱丁堡大学）；Five AI Ltd.（Five AI有限公司）
难以理解的人工智能系统很难信任，特别是如果它们在自动驾驶等安全关键环境中运行。因此，有必要建立透明和可查询的系统，以提高信任水平。我们提出了一个透明的，以人为中心的解释生成方法，自主车辆运动规划和预测的基础上，现有的白盒系统称为IGP 2。我们的方法将贝叶斯网络与上下文无关的生成规则相结合，可以为自动驾驶汽车的高级驾驶行为提供因果自然语言解释。对模拟场景的初步测试表明，我们的方法捕捉到了自动驾驶汽车行为背后的原因，并生成了复杂程度不同的解释。
2022-06-27 cs.RO
Motion Planning for Autonomous Vehicles: When Model Predictive Control Meets Ensemble Kalman Smoothing
Department of Mechanical Engineering, University of Kansas（机械工程系，堪萨斯大学）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
本文将基于神经网络车辆模型的NMPC运动规划重构为贝叶斯估计问题，并用序贯集合卡尔曼平滑器求解，显著降低计算成本。
2025-05-10 cs.RO
Spatiotemporal motion planning with combinatorial reasoning for autonomous driving
fortiss GmbH（福蒂斯有限公司）；Technische Universität München（慕尼黑工业大学）
城市环境中的运动规划可以看作是一个组合问题。通过前面、后面、右边或左边的障碍物，自动驾驶汽车可以选择执行多个选项。在规划框架中需要考虑到这些组合方面。我们解决这个问题，提出了一种新的规划方法，结合轨迹规划和机动推理。我们定义了一个分类的动态障碍物沿参考曲线，使我们能够提取战术决策序列。我们将纵向和横向运动分开，以加快基于优化的轨迹规划。为了将获得的轨迹集映射到机动变体，我们定义了一种语义语言来描述它们。这使我们能够选择最佳轨迹，同时也确保机动一致性。我们展示了我们的方法的能力，仍然被广泛认为是具有挑战性的情况。
2022-07-10 cs.RO
Planning by Simulation: Motion Planning with Learning-based Parallel Scenario Prediction for Autonomous Driving
Faculty of Electrical Engineering, Mathematics and Computer Science, University of Twente（代尔夫特理工大学电子工程、数学与计算机科学学院）；Department of Electrical Engineering, Wright State University（威斯汀大学电气工程系）
本文提出一种基于学习的并行场景预测方法，用于自动驾驶中的运动规划，通过模拟可能场景并计算成本，平衡和剪枝不合理动作，提升安全性和规划效率。
2024-11-15 cs.RO
Search-Based Autonomous Vehicle Motion Planning Using Game Theory
Mechanical and Mechatronics Eng. Department, University of Waterloo（滑铁卢大学机械与机电工程系）
本文提出一种基于博弈论的搜索式自动驾驶车辆运动规划方法，将其他道路使用者视为智能体而非静态障碍物，以生成更真实的路径，并通过 WATonoBus 实验验证其性能与实时性。
2025-07-20 cs.GT cs.RO
A Deep Reinforcement Learning Driving Policy for Autonomous Road Vehicles
Technical University of Crete（克里特理工大学）；University of Malta（马耳他大学）
这项工作是我们对自动驾驶汽车在高速公路上移动的路径规划问题的初步调查。我们通过提出一种基于强化学习的驱动策略来解决这个问题。所提出的政策，使最小的或没有假设的环境，因为没有先验知识的系统动态是必需的。我们比较了所提出的政策的性能对最优的政策，通过动态规划和对SUMO交通模拟器模拟人工驾驶。
2019-05-22 cs.RO
Accelerating Path Planning for Autonomous Driving with Hardware-Assisted Memoization
Cornell University（康奈尔大学）
具有动态障碍物的自动驾驶路径规划是一个挑战，因为它需要执行更高维的搜索（具有时间维度），同时仍然满足实时约束。提出了一种算法-硬件协同优化的方法来加速高维搜索空间的路径规划。首先，我们通过将节点和障碍物映射到低维空间并记住最近的搜索结果来减少最近邻居搜索和碰撞检测的时间。然后，我们提出了一个有效的memoization的硬件扩展。在现代处理器和周期级仿真器上的实验结果表明，硬件辅助记忆显著减少了路径规划的执行时间。
2022-05-27 cs.AR cs.RO
DL-IAPS and PJSO: A Path/Speed Decoupled Trajectory Optimization and its Application in Autonomous Driving
Baidu USA LLC（百度美国有限责任公司）
提出了一种自动驾驶车辆自由空间轨迹优化算法，将无碰撞轨迹规划问题分解为双回路迭代逼近路径平滑（DL-IAPS）和分段加速度优化（PJSO）问题。该方法显著提高了车辆的驾驶性能，包括更精确的避碰、更高的控制可行性和更好的驾驶舒适性，而这些是现有路径/速度解耦轨迹优化方法难以实现的。我们的算法的效率，鲁棒性和复杂的驾驶场景的适应性已被验证的模拟和真实的道路测试。
2020-09-23 cs.RO
Decision-Making-Based Path Planning for Autonomous UAVs: A Survey
Department of Cybernetics, Faculty of Electrical Engineering, Czech Technical University in Prague（控制系，电气工程系，布拉格捷克技术大学）；Department of Computer, Federal University of São Carlos（计算机系，萨o卡洛斯联邦大学）
本综述探讨了自主无人机基于决策的路径规划技术，概述了探索性与信息性路径规划的研究方向及数据建模特征，并指出了该领域面临的现有挑战。
2025-08-12 cs.RO
Safe planning and control under uncertainty for self-driving
Manipal Institute of Technology（马尼帕尔理工学院）；Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
不确定条件下的运动规划对于安全自动驾驶至关重要。在本文中，我们提出了一个统一的避障框架，处理1）自我车辆运动的不确定性;和2）来自环境的动态障碍物的预测不确定性。在规划层中使用包括短期和长期预测的两阶段交通参与者轨迹预测器来为自我车辆生成安全但不过于保守的轨迹。预测模块与现有的规划方法配合良好。我们的工作展示了它的有效性在一个弗伦内框架规划。使用管MPC的鲁棒控制器保证了在存在状态噪声和动态模型不确定性的情况下轨迹的安全执行。高斯过程回归模型用于在线识别的不确定性的界限。我们证明了我们的框架在CARLA模拟器的有效性，安全性和实时性能。
2020-10-21 cs.RO
Safe and Personalizable Logical Guidance for Trajectory Planning of Autonomous Driving
University of Science and Technology of China（中国科学技术大学）
本文提出逻辑引导层（LGL），通过场景推理与RSS模型，在高速公路自动驾驶中平衡安全、效率与用户偏好，实现形式化安全保证。
2024-05-22 cs.LO cs.RO
Navigational Path-Planning For All-Terrain Autonomous Agricultural Robot
劳动力的短缺和维护成本的增加迫使许多农业企业家转向自动化和机械化方法。自主系统的关键组成部分是所使用的路径规划技术。覆盖路径规划（CPP）算法用于在农田上导航，以执行各种农业操作，如播种、犁耕或喷洒农药和肥料。本文报告比较了新的算法，自主导航的农田。为了减少导航的限制，考虑到特定的印度环境的高分辨率网格地图表示。通过将网格单元区分为覆盖的、未探索的、部分探索的和存在障碍物来覆盖自由空间。比较算法的性能进行评估，如时间效率，空间效率，准确性和鲁棒性的变化，在环境中的指标。采用机器人操作系统（ROS）、达索系统体验平台（3DS Experience）、MATLAB和Python对算法进行了仿真。实验结果证明了该算法在自主野外导航中的适用性和在机器人路径规划中的可行性。
2021-09-07 cs.CV cs.RO
LEADER: Learning Attention over Driving Behaviors for Planning under Uncertainty
Oregon State University（俄勒冈州立大学）；Shanghai Jiao Tong University（上海交通大学）；National University of Singapore（新加坡国立大学）
人类行为的不确定性对拥挤的城市环境中的自动驾驶提出了重大挑战。部分可观测马尔可夫决策过程（POMDPs）为不确定性下的规划提供了一个原则性框架，通常利用蒙特卡洛采样来实现复杂任务的在线性能。然而，采样也会因可能遗漏关键事件而引起安全问题。为了解决这个问题，我们提出了一种新的算法，学习注意力驾驶bEADER（LEADER），学会参加关键的人类行为在规划。LEADER学习一个神经网络生成器，以在实时情况下对人类行为提供关注。它将注意力整合到一个信念空间规划器中，使用重要性采样来使推理偏向关键事件。为了训练算法，我们让注意力生成器和规划器形成一个最小-最大博弈。通过解决最小-最大博弈，LEADER学会了在没有人类标签的情况下执行风险感知规划。
2022-10-29 cs.LG cs.RO
Real Time Motion Planning Using Constrained Iterative Linear Quadratic Regulator for On-Road Self-Driving
Tencent Technology (Beijing) Company Limited（腾讯科技（北京）有限公司）
避免碰撞是人们在开发自动驾驶技术时需要考虑的最具挑战性的任务之一。在本文中，我们提出了一种新的时空运动规划算法，有效地解决了约束非线性最优控制问题，使用迭代线性二次型调节器（iLQR），该方法考虑了交通车辆的不确定驾驶行为，并将自动驾驶车辆之间的碰撞风险降至最低，（称为“自我”车辆）和交通车辆之间的距离，使得自我车辆能够与所有周围车辆保持足够大的距离，以实现交通中期望的防撞操纵。为此，我们引入了“碰撞多边形”的概念，用于计算自我车辆和交通车辆之间的最小距离，并提供了两种不同的解决方案，设计的运动规划问题的约束条件，通过适当建模的交通车辆的行为，以评估碰撞风险。最后，利用仿真器和3级自动驾驶测试平台，对iLQR运动规划算法在多个实时避碰任务中进行了验证。
2022-02-17 cs.RO math.OC
Neural Motion Planning for Autonomous Parking
Hanyang University（汉阳大学）
本文提出了一种混合运动规划策略，该策略将深度生成网络与传统的运动规划方法相结合。现有的规划方法，如A* 和混合A* 被广泛用于路径规划任务，因为他们的能力，以确定可行的路径，即使在复杂的环境中，但是，他们有效率方面的限制。为了克服这些局限性，引入了一种基于神经网络的路径规划算法，即神经混合A*。本文提出了使用条件变分自编码器（CVAE）引导搜索算法，利用CVAE的能力，学习有关的规划空间的停车环境的信息。一个非均匀的扩展策略是利用的基础上的可行的轨迹分布在演示中学习。所提出的方法有效地学习了一个给定的状态的表示，并在算法性能方面的改进。
2021-11-16 cs.LG cs.RO
Evaluating the Robustness of Deep Reinforcement Learning for Autonomous Policies in a Multi-agent Urban Driving Environment
Simula Research Laboratory（西姆拉研究实验室）
深度强化学习被积极用于在模拟驾驶环境中训练自动驾驶汽车策略。由于各种强化学习算法的大量可用性以及缺乏对不同驾驶场景的系统比较，我们不确定哪些算法在单智能体和多智能体驾驶环境中更有效地训练自动驾驶汽车软件。在基于视觉的自动驾驶中比较深度强化学习的基准框架将为训练更好的自动驾驶汽车策略提供可能性。为了应对这些挑战，我们提供了一个开放且可重用的基准测试框架，用于在单智能体和多智能体环境中对自动驾驶的深度强化学习算法进行系统评估和比较分析。使用该框架，我们进行了离散和连续动作空间深度强化学习算法的比较研究。我们还提出了一个综合的多目标奖励函数，用于评估基于深度强化学习的自动驾驶代理。我们在一个只有视觉的高保真城市驾驶模拟环境中进行实验。结果表明，只有一些深度强化学习算法在各种仅多智能体环境设置中训练时，在单智能体和多智能体场景中表现得更好。例如，基于A3C和TD3的自动驾驶汽车在单智能体和多智能体场景中的更稳健的动作和最小的驾驶错误方面表现相对更好。我们的结论是，不同的深度强化学习算法在不同的场景下表现出不同的驱动和测试性能，这强调了对其进行系统比较分析的必要性。本文提出的基准框架有利于这种比较。
2023-03-23 cs.AI cs.LG cs.MA
Deep Reinforcement Learning in Autonomous Car Path Planning and Control: A Survey
China North Artificial Intelligence and Innovation Research Institute（中国北方人工智能与创新研究院）；Tsinghua University（清华大学）
本文系统综述了深度强化学习在自动驾驶路径规划与控制中的应用，梳理相关算法及其在轨迹规划和动态控制中的作用，并总结应用成果与潜在挑战，为相关研究者提供参考。
2024-03-30 cs.RO cs.SY eess.SY
Optimization-Based Motion Planning for Autonomous Agricultural Vehicles Turning in Constrained Headlands
University of California, Davis（加利福尼亚大学戴维斯分校）
针对自主农业车辆在狭窄不规则地头转弯困难的问题，提出一种基于优化的运动规划算法，在田间几何与障碍物约束下生成平滑无碰撞的转弯轨迹。
2024-06-11 cs.RO cs.SY eess.SY
Search-Based Motion Planning for Performance Autonomous Driving
Virtual Vehicle Research Center（虚拟车辆研究中心）；University of Pavia（帕维亚大学）；Graz University of Technology（格拉茨工业大学）
本文提出一种基于搜索的运动规划方法，在考虑非线性车辆动力学和状态输入约束下生成参考轨迹，以实现湿滑路面上的最短单圈时间。
2019-07-18 cs.RO cs.SY eess.SY
EMATO: Energy-Model-Aware Trajectory Optimization for Autonomous Driving
University of Delaware（特拉华大学）；CAR Lab（CAR实验室）
针对自动驾驶轨迹规划不感知能量模型、缺乏能效证明的问题，提出EMATO在线非线性规划方法，结合交通轨迹与坡度预测优化Frenet多项式轨迹，经多类实验在轿车和卡车模型上验证了能效提升效果。
2024-12-12 cs.RO cs.SY eess.SY
An Integrated Framework of Decision Making and Motion Planning for Autonomous Vehicles Considering Social Behaviors
School of Mechanical and Aerospace Engineering, Nanyang Technological University（南洋理工大学机械与宇航工程学院）
提出了一种新的综合方法，以处理的决策和运动规划的自动驾驶汽车（AV）的车道变换操纵考虑周围交通乘员的社会行为。通过驾驶风格和周围车辆的意图来反映，在建模过程中考虑了社会行为。然后，应用Stackelberg博弈理论解决决策问题，将其转化为一个非合作博弈问题。此外，在运动规划模型中引入势场，利用不同的势函数来描述周围车辆的不同行为和道路约束。然后，利用模型预测控制（MPC）来预测自主车辆的状态和轨迹。最后，决策和运动规划，然后集成到一个有约束的多目标优化问题。考虑到周围车辆的不同社会行为的三个测试场景进行了验证所提出的方法的性能。测试结果表明，该集成方法能够解决与其他交通参与者的不同社会互动，为自动驾驶汽车做出正确、安全的决策和规划，证明了其可行性和有效性。
2020-05-22 cs.RO cs.SY eess.SY
Autonomous Underwater Vehicle-Manipulator Systems Path Planning with RRTAUVMS Algorithm
Zhejiang University（浙江大学）；Shenzhen Sensetime Technology CO.,LTD（深圳商汤科技有限公司）；Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）
自主水下机器人系统（AUVMS）是一种新型的海洋探测工具，本文研究了AUVMS路径规划问题。水下机器人系统是一个惯性分布差异大的高维系统，且工作环境复杂，存在障碍物。通过将快速探索随机树（RRT）算法与AUVMS运动学模型相结合，RRTAUVMS算法可以在配置空间（C-Space）中随机采样，并在任务空间中直接向工作空间目标生长。RRTAUVMS还可以处理工作空间规划目标和配置空间目标的冗余映射。与传统RRT算法相比，该算法可以显著提高AUVMS路径规划的效率。
2021-09-11 cs.RO cs.SY eess.SY
A Reinforcement Learning Approach to Jointly Adapt Vehicular Communications and Planning for Optimized Driving
IIIT-Delhi（印度德里印度理工学院）
本文提出一种强化学习方法，用于联合优化自动驾驶车辆的通信与运动规划，通过模拟验证了该方法在提升驾驶效益方面的有效性。
2018-07-10 cs.NI cs.RO cs.SY
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
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
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
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
