High-Fidelity Multi-Body Simulator for Autonomous Racing
University of Modena and Reggio Emilia（摩德纳与雷焦艾米利亚大学）；Megaride S.r.l.（Megaride 有限责任公司）；University of Naples Federico II（那不勒斯费德里科二世大学）；Claytex（Claytex 公司）
本文提出一个基于Dymola和FMU的高保真多体车辆动力学仿真器，用于自动驾驶赛车软件测试，支持实时运行并提供可靠验证数据。
2026-09-14 cs.RO cs.SY eess.SY
First Field Trial of LLM-Powered AI Agent for Lifecycle Management of Autonomous Driving Optical Networks
本文设计并演示了首个用于ADON的LLM驱动的AI Agent现场试验，提出三种运行模式进行网络生命周期管理，能高效处理波长增删与故障，且功率优化性能比肩人工算法。
2024-09-24 cs.SY eess.SY
Early Versus Late Traffic Management For Autonomous Agents
针对交叉路口交通管理的安全与效率挑战，研究引入圆形控制区域定义干预时机，采用MILP方法优化系统性能，通过仿真分析早期与晚期控制对自主智能体通行的安全、效率及鲁棒性影响。
2024-12-09 cs.SY eess.SY
Driving Context-guided Model Predictive Planning and Control for Autonomous Car Racing at the Limit and Beyond
University of Modena and Reggio Emilia（摩德纳和雷焦艾米利亚大学）；Hipert S.r.l.（Hipert 有限责任公司）
本文提出一种基于模型预测控制的赛车运动规划与控制流水线，通过成本混合状态机适应超车、正常驾驶和反向转向等情境，并在Superformula EAV-25赛车上验证，圈速接近人类最佳成绩的2%以内。
2026-09-14 cs.RO cs.SY eess.SY
Longitudinal Control for Autonomous Racing with Combustion Engine Vehicles
Technical University of Munich, Germany（慕尼黑技术大学）；School of Engineering & Design（工程与设计学院）；Department of Engineering Physics and Computation（工程物理与计算系）；Institute of Automatic Control（自动控制研究所）；Department of Mobility Systems Engineering（移动系统工程系）；Institute of Automotive Technology（汽车技术研究所）
针对内燃机自动驾驶赛车的驱动输入适配问题，提出模块化纵向控制方案，将高层轨迹跟踪指令转换为节气门、制动压力、挡位等底层指令，搭配安全控制功能，经EAV24赛车实测试验验证可实现紧密指令跟踪。
2025-04-24 cs.RO cs.SY eess.SY
A Fairness-Oriented Multi-Objective Reinforcement Learning approach for Autonomous Intersection Management
University of Padova（帕多瓦大学）
本文提出一种多目标强化学习方法，用于自动驾驶交叉口管理，通过公平性准则平衡交通效率与环境可持续性。
2025-07-12 cs.SY eess.SY
Optimal Energy Management in Autonomous Power Systems with Probabilistic Security Constraints and Adaptive Frequency Control
许多重耗能行业的脱碳依赖于可再生能源和储能系统在独立自主电力系统中的集成。由于复杂性和稳定性要求的增加，可再生能源的快速变化的操作条件和不确定性，不同时间尺度上相互冲突的目标，可靠的电源和能量存储的有限数量，这些计划中的最佳能量管理变得更加困难。当能量存储用于多种服务时的充电状态管理，例如最佳调度和频率支持，是在这种情况下最臭名昭著的问题之一。为了解决这个问题，本文提出了一个最佳的能源管理系统。它共同优化的主频率控制层和调度计划的传统发电机和能量存储利用的算法，提供自适应有功功率需求的不确定性量化，频率稳定性的理论保证，并为储备分配给能量存储系统的频率支持的界限。一个凸的重新制定，使所涉及的优化问题的有效解决方案，是一个孤立的海上石油和天然气平台验证的测试案例。
2022-08-18 cs.SY eess.SY
Full-Time-Scale Power Management Strategy for Hybrid AC/DC/DS Microgrid with Dynamic Concatenation and Autonomous Frequency / Voltage Restorations
Shanghai Jiao Tong University（上海交通大学）；Nanyang Technological University（南洋理工大学）；Federation University（联邦大学）；Aalborg University（奥尔堡大学）
本文提出一种全时间尺度电力管理策略，通过动态连接器统一暂态惯性支持与稳态功率分配，并引入自主频率/电压恢复以提升混合交流/直流/分布式微电网的可靠性与稳定性。
2026-01-04 cs.SY eess.SY
Safe Intersection Management for Mixed Transportation Systems with Human-Driven and Autonomous Vehicles
Texas A&M University（德克萨斯农工大学）
本文研究了混合交通系统中人驾驶和自动驾驶车辆共存时的安全管理问题，提出了一种基于MPC的协议和交通信号协调协议，以确保交叉口的安全性。
2018-10-14 cs.SY eess.SY
Model Predictive Control-Based Optimal Energy Management of Autonomous Electric Vehicles Under Cold Temperatures
本文提出基于实时模型预测控制的能量管理方法，在寒冷低温下动态优化自动驾驶电动汽车推进、HVAC与电池预处理的功率分配，以平衡热舒适、电池健康并保持里程，实现到达后即时充电。
2025-09-12 cs.SY eess.SY
Real-Time Model Predictive Control for Energy Management in Autonomous Underwater Vehicle
University of Michigan（密歇根大学）
本文提出了一种新的模型预测控制框架，用于自主水下机器人的能量最优点对点运动控制，通过将能量管理问题转化为两个阶段的冲程运动优化问题，以提高续航能力并降低计算复杂度。
2018-09-26 cs.SY eess.SY
Cost-optimal Fleet Management Strategies for Solar-electric Autonomous Mobility-on-Demand Systems
本文针对太阳能电动自主按需出行系统，提出基于有向无环图和混合整数线性规划的车队管理优化框架，并通过黄金海岸案例证明其可降低10-15%运营成本，且大电池容量车辆在V2G操作中能进一步降低成本甚至盈利。
2023-05-30 cs.SY eess.SY
PAIM: Platoon-based Autonomous Intersection Management
University of Virginia（弗吉尼亚大学）
本文提出基于预约的自主交叉口管理策略，通过优化编队车辆的调度以减少延误和变异性，提升安全性和效率。
2018-09-18 cs.CC cs.SY eess.SY
Towards Safe Autonomous Intersection Management: Temporal Logic-based Safety Filters for Vehicle Coordination
本文提出一种基于时序逻辑的安全过滤器，通过可达性分析为网联车辆计算安全时态走廊，在考虑决策不确定性的同时平衡交叉口安全与效率，并在模拟4向交叉口中验证了其实时性。
2024-08-27 cs.SY eess.SY
Dynamic Pricing and Fleet Management for Electric Autonomous Mobility on Demand Systems
乘车共享系统的普及是自动驾驶和电动汽车技术进步的主要驱动力。本文考虑了联合路由，电池充电和定价问题所面临的利润最大化的运输服务提供商，经营一个车队的自动电动汽车。我们首先建立静态规划问题，考虑时不变的系统参数，并确定最优的静态策略。虽然静态策略提供了稳定的客户队列等待游乐设施，即使考虑系统动态，我们看到，它是低效的，利用静态策略，因为它可以导致客户等待时间长，利润低。为了适应出行需求、可再生能源可用性和电价的随机性，并在需要生成整数分配的情况下进一步优化管理自主车队，需要实时策略。基于系统完整状态信息执行动作的最优实时策略是复杂动态规划的解。然而，我们认为使用精确动态规划方法精确求解最优策略是很困难的，因此应用深度强化学习来开发接近最优的控制策略。我们在曼哈顿和旧金山进行的两个案例研究证明了我们的实时策略在网络稳定性和利润方面的有效性，同时保持队列长度比静态策略少200倍。
2020-10-01 cs.SY eess.SY
Design and Production of an Autonomous Rotary Composter Powered by Photovoltaic Energy
随着摩洛哥国家经济的发展，家庭废物管理问题变得越来越严重。此外，鉴于其成本随着时间的推移而增加，这种废物的管理对市政当局来说是一种负担。因此，在这项工作中，我们提出了一个新的自主太阳能堆肥主要用于家庭的设计，机械和光伏研究。它允许将有机废物就地转化为优质堆肥，作为土壤调理剂，与其他堆肥系统相比，在短时间内，这些时间不超过4周。这项创新技术将减少最终填埋或焚烧的废物量，并利用园艺和园艺中产生的堆肥，这将是摩洛哥废物管理的一个非常有效的解决方案。
2021-07-05 cs.SY eess.SY
Intervention Strategies for Fairness and Efficiency at Autonomous Single-Intersection Traffic Flows
本文提出了一种基于混合整数线性规划的干预策略，用于在无信号灯的交叉口上优化自主代理的公平性与效率，通过仿真验证早干预和公平性意识控制的效果。
2025-12-02 cs.SY eess.SY
Energy Management for Autonomous Underwater Vehicles Using Economic Model Predictive Control
研究了自主水下航行器（AUV）的能量最优控制问题。为了提高水下机器人的续航能力，提出了一种基于经济模型预测控制（MPC）框架的能量最优控制方案。首先，我们制定了一个代价函数，计算在有限的时间预测范围内的车辆运行所花费的能量。然后，为了考虑超出预测范围的能量消耗，将接近达到目标的能量（能量消耗）的终端成本并入MPC代价函数中。
2019-06-20 cs.SY eess.SY math.OC
A Gaussian Process Model for Opponent Prediction in Autonomous Racing
University of California, Berkeley（加州大学伯克利分校）
在头对头赛车中，需要对方目标车辆（TV）的交互行为的精确模型来执行严格约束但高度奖励的机动动作，例如超车。然而，这样的信息通常是不提供竞争的情况下，因此，我们建议构建一个预测和不确定性模型，从以前的比赛的电视数据。具体而言，在闭环交互数据上训练一步高斯过程（GP）模型，以学习由未知策略驱动的TV的行为。标称轨迹的预测和相关的不确定性经由基于采样的方法推出，并且在自我车辆的模型预测控制（MPC）策略中使用，以便在尝试对TV进行超车操纵时智能地在安全性和性能之间进行权衡。我们证明了基于GP的预测器在闭环与MPC政策在模拟比赛中，并比较其性能对几个预测文献。在蒙特卡洛研究中，我们观察到基于GP的预测器在多3倍的比赛中实现了相似的胜率，同时保持了安全性。最后，我们展示了预测和控制框架的实时在1/10的规模赛车平台上运行的速度约为2.8米/秒的实验研究，并显示出显着的改善水平时，使用基于GP的预测器在基线MPC预测。硬件实验的视频可以在https://youtu.be/KMSs4ofDfIs上找到。
2023-03-01 cs.RO cs.SY eess.SY
A Review of Reinforcement Learning for Autonomous Building Energy Management
School of Electrical and Computer Engineering（电气与计算机工程学院）；Georgia Institute of Technology（佐治亚理工学院）
本文综述了强化学习在自主建筑能源管理系统中的应用，总结了相关文献，并探讨了未来研究方向和挑战。
2019-03-15 cs.LG cs.SY eess.SY
Fine-grained acceleration control for autonomous intersection management using deep reinforcement learning
Dept. of Computer Science University of California, Irvine（计算机科学系 加州大学尔湾分校）
本文利用信任区域策略优化方法，实现自动驾驶车辆在网格街道中的细粒度加速控制，以达成全局管理目标。
2017-05-30 cs.AI cs.RO cs.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
Multi-Intersection Traffic Management for Autonomous Vehicles via Distributed Mixed Integer Linear Programming
本文扩展了我们以前在[1]，[2]中关于交叉口自动车辆到达的最优调度的工作，从一个交叉口扩展到交叉口网格。设计了一种可扩展的分布式混合线性规划算法（MILP）来求解交叉口网格调度问题。计算控制节点被分配到每个交叉口，并定期接收来自订阅车辆的位置和速度信息。每个节点通过求解一个局部MILP来为每一辆预约车辆分配一个交叉口访问时间。相邻的交叉口将通过共享车辆访问时间的解决方案来实时相互协调。我们所提出的方法被应用到一个网格的9个交叉口，其对交通流量和车辆的燃油经济性的积极影响，证明在传统的交叉口控制方案相比。
2020-07-13 cs.SY eess.SY math.OC
Digital-Twin-Based Improvements to Diagnosis, Prognosis, Strategy Assessment, and Discrepancy Checking in a Nearly Autonomous Management and Control System
North Carolina State University（北卡罗来纳州立大学）；Idaho National Laboratory（爱达荷国家实验室）；Zachry Nuclear Engineering, Inc.（扎克里核工程公司）
近自主管理和控制系统（NAMAC）是一个综合控制系统，通过在广泛的情况下向操作员提供控制建议来协助工厂操作。本研究改进了NAMAC系统，在复杂的损失流量的情况下，合理的建议与验证的实验增殖反应堆II模拟器，数字孪生改进的机器学习算法，多属性决策方案，并确定意外的建议效果的差异检查。我们评估了每个NAMAC组件的性能，同时我们展示和评估了NAMAC在一类流量损失情况下的能力。
2021-05-23 cs.AI cs.SY eess.SY
Autonomous and Connected Intersection Crossing Traffic Management using Discrete-Time Occupancies Trajectory
University of Denver（丹佛大学）
本文提出一种基于离散时间占用轨迹的交叉口交通协调算法，证明其无死锁和 starvation，并通过仿真验证了改进算法的计算效率。
2017-05-12 cs.NE cs.SY eess.SY
Towards Integrating Formal Verification of Autonomous Robots with Battery Prognostics and Health Management
Heriot-Watt University（赫瑞-瓦特大学）；University of Liverpool（利物浦大学）
电池是自主机器人的关键部件。它的性能限制了机器人的安全性和可靠性。与液体燃料不同，电池作为一种化学装置，具有复杂的特征，包括（i）连续充电时容量衰减;（ii）在给定功率需求下，随着荷电状态（SOC）下降，放电率增加。现有的形式化验证研究的自主机器人，考虑能源的限制，形式化的能源组成部分，在一个通用的方式，这样的电池功能被忽略。在本文中，我们建立了一个无人机（UAV）检查任务的风电场和通过概率模型检验在PRISM显示（i）如何电池的功能可能会影响验证结果显着在实际情况下;和（ii）如何电池的功能，连同动态环境和电池安全策略，共同影响验证结果。潜在的解决方案，明确集成电池性能和健康管理（PHM）与自主机器人的形式化验证也进行了讨论，以激励未来的工作。
2019-08-22 cs.AI cs.RO cs.SY
Rethinking Energy Management for Autonomous Ground Robots on a Budget
The Ohio State University（俄亥俄州立大学）
本文提出PECC框架，通过联合优化计算频率与移动速度，在给定能量预算内最大化自主地面机器人性能，实验证明其行驶速度较节能基线最高提升31%。
2025-02-03 cs.RO cs.SY eess.SY
Decentralized Autonomous Traffic Management through Corridor Networks
Department of Aeronautics and Astronautics（航空航天系）；Massachusetts Institute of Technology（麻省理工学院）；University of Maryland（马里兰大学）
针对高密度自主航空交通，提出基于多智能体强化学习的去中心化走廊网络交通流管理方法，零样本迁移至复杂网络，无需集中协调或重训练。
2026-06-23 cs.AI cs.ET cs.MA
Autonomous Edge-Deployed AI Agents for Electric Vehicle Charging Infrastructure Management
Hyperion Consulting（超离子咨询）
本文提出Auralink SDC架构，通过边缘部署的专用AI代理实现电动汽车充电基础设施的自主管理，实现高准确率的事故修复与快速响应。
2026-02-24 cs.AI cs.DC cs.LG
Freeway Lane Management Approach in Mixed Traffic Environment with Connected Autonomous Vehicles
University of South Florida（南佛罗里达大学）
本文提出分析模型评估混合交通环境下的自由流流量，并确定分配给自动驾驶车辆的最优车道数，通过不同操作环境和技术场景分析自动驾驶车辆渗透率对交通容量的影响。
2016-11-30 cs.SY eess.SY math.OC
Multi-Agent Reinforcement Learning for Cooperative Air Transportation Services in City-Wide Autonomous Urban Air Mobility
针对城市级多架UAM协同运输难题，提出基于CommNet与CTDE的MADRL管理算法，并利用真实垂直起降机场和UAM参数仿真验证其服务质量优势。
2023-06-07 cs.MA cs.SY eess.SY
Reliability and Effectiveness of Autonomous AI Agents in Supply Chain Management
Harvard University（哈佛大学）；MIT/Purdue（麻省理工学院/普渡大学）；MIT（麻省理工学院）；Harvard University/Kempner Institute（哈佛大学/凯普勒研究所）；Georgia Tech（佐治亚理工学院）
本文通过MIT啤酒游戏研究多级供应链中的自主生成式AI代理，发现模型能力是性能主导因素，但平均性能掩盖可靠性风险，并引入代理牛鞭效应，提出基于GRPO的后训练框架以提高可靠性。
2026-09-22 cs.AI cs.LG cs.MA
Prognostics for Autonomous Deep-Space Habitat Health Management under Multiple Unknown Failure Modes
本文提出一种无监督预测框架，用于在未知故障模式下预测剩余使用寿命，通过聚类退化轨迹和选择模式特定传感器提高预测准确性和可解释性。
2026-10-08 cs.LG cs.SY eess.SY
Stone Soup Multi-Target Tracking Feature Extraction For Autonomous Search And Track In Deep Reinforcement Learning Environment
Leonardo Electronics（莱昂纳多电子公司）；University of Glasgow（格拉斯哥大学）
本文提出利用 Stone Soup 跟踪框架作为特征提取器嵌入 Gymnasium 环境，训练深度强化学习智能体执行传感器管理任务，实验证明该 RL 智能体优于简单搜索与跟踪策略。
2025-03-03 cs.LG cs.RO cs.SY
