Energy-Aware Lane Planning for Connected Electric Vehicles in Urban Traffic: Design and Vehicle-in-the-Loop Validation
Department of Mechanical Engineering, UC Berkeley（机械工程系，伯克利大学）；Department of Civil Engineering, UC Berkeley（土木工程系，伯克利大学）；Zoox, Inc.（Zoox公司）
本文提出了一种基于V2I通信的能耗感知运动规划框架，通过联合优化纵向速度和横向车道变更决策，实现城市交通中能耗降低24%的显著效果。
2025-12-07 cs.RO cs.SY eess.SY
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
Robust Model Predictive Control for Autonomous Vehicles/Self Driving Cars
本文提出一种用于自主车辆前轮控制的鲁棒模型预测控制方法，通过权重调整和在线线性化技术提升控制鲁棒性，并讨论各方法在精度和计算负载上的有效性。
2018-05-22 cs.RO cs.SY eess.SY
A Prioritized Trajectory Planning Algorithm for Connected and Automated Vehicle Mandatory Lane Changes
我们介绍了一个优先系统优化算法的强制变道（MLC）的连接和自动驾驶汽车（CAV）从专用车道的行为。我们的方法适用于合作的车道变化，优先的车道变化车辆的决定，更接近年底的发散区（DZ），并优化预测的总系统行程时间。我们的实验合成数据表明，该算法提高了交通网络的效率，获得更高的速度在专用车道和更早的MLC位置，同时确保了较低的计算时间。我们的方法优于传统的差距接受模型。
2021-04-21 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
RADMPC: A Fast Decentralized Approach for Chance-Constrained Multi-Vehicle Path-Planning
Computer Science and Artificial Intelligence Laboratory（计算机科学与人工智能实验室）；Massachusetts Institute of Technology（麻省理工学院）
本文提出了一种基于去中心化路径规划方法RADMPC的快速机会约束多车辆路径规划方法，通过评估车辆交互来确定需要耦合规划的车辆集，并利用IRA在较小的车辆集上快速规划安全路径，从而显著提高计算效率。
2018-11-25 cs.AI cs.MA cs.RO
Optimal Vehicle Path Planning Using Quadratic Optimization for Baidu Apollo Open Platform
路径规划是自主车辆运动规划的关键组成部分。路径规定了车辆将行驶的几何形状，因此，它对车辆安全和舒适的运动至关重要。对于城市驾驶场景，自动驾驶车辆需要能够在混乱的环境中导航，例如，道路被一些车辆/障碍物部分堵塞。如何在复杂的环境中生成运动学上可行的、平滑的、能够避免碰撞的路径，使得路径规划成为一个具有挑战性的问题。在本文中，我们提出了一种新的二次规划方法，产生最佳路径的分辨率完全避免碰撞的能力。
2021-12-03 cs.RO
Towards Search-based Motion Planning for Micro Aerial Vehicles
University of Pennsylvania（宾夕法尼亚大学）；UC San Diego（加州大学圣地亚哥分校）
基于搜索的运动规划已被用于移动机器人的许多应用。然而，由于微型飞行器（MAVs）复杂的动力学和实时计算的要求，它还没有得到充分的发展和应用，规划的全状态轨迹。在本文中，我们探讨了一个基于搜索的运动规划框架，计划动态可行的，无碰撞，分辨率最佳和完整的轨迹。本文扩展了基于搜索的规划方法，以解决三个重要的情况下，微型飞行器导航：（i）规划安全的轨迹存在的运动不确定性;（ii）规划与约束的视野和（iii）规划在动态环境中。我们表明，这些问题可以有效地解决，高效地使用所提出的基于搜索的运动基元规划。
2018-10-07 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
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
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
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
Towards Cooperative Motion Planning for Automated Vehicles in Mixed Traffic
FZI Research Center for Information Technology（FZI 信息技术研究中心）；Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
虽然自动车辆的运动规划技术在反应和预期的方式已经被广泛提出，合作运动规划的方法仍然存在。在本文中，我们提出了一种方法来提高常见的运动规划算法，允许与人类驾驶的车辆合作。与以前的方法不同，我们将其他交通参与者的预测集成到运动规划中，这样就可以考虑到自我车辆的行为对其他交通参与者的影响。为此，提出了一种新的成本函数，包含场景中所有相关交通参与者的成本。最后，我们提出了一个路径速度分解采样为基础的实现，我们的方法为选定的情况下，这是在模拟评估。
2017-08-23 cs.MA 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
Unmanned Surface Vehicle Path Planning from the Perspective of Multi-Modality Constraints: A Comprehensive Analysis
Wuhan University of Technology（武汉理工大学）；Delft University of Technology（代尔夫特理工大学）
本文从多模态约束视角系统梳理无人水面艇路径规划，将其分为航线、轨迹和运动规划三个阶段，综述各阶段方法与经典算法，并指出存在问题与未来研究方向。
2025-03-09 cs.RO
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
A Survey of Motion Planning and Control Techniques for Self-driving Urban Vehicles
Massachusetts Institute of Technology（麻省理工学院）；CTU in Prague（布拉格捷克理工大学）
自动驾驶汽车是一项成熟的技术，有可能通过提高汽车运输的安全性、可达性、效率和便利性来重塑移动性。自动驾驶车辆必须执行的安全关键任务包括通过与其他车辆和行人共享的动态环境规划运动，以及通过反馈控制进行鲁棒执行。本文的目的是调查的规划和控制算法，特别是关于城市设置的当前状态的艺术。选择建议的技术进行审查，以及讨论其有效性。所调查的方法在所使用的车辆机动性模型、对环境结构的假设以及计算要求方面有所不同。本调查中提供的并排比较有助于深入了解所审查方法的优势和局限性，并有助于系统级设计选择。
2016-04-25 cs.RO
Potential Field-based Path Planning with Interactive Speed Optimization for Autonomous Vehicles
The University of Tokyo（东京大学）
针对现有势场路径规划未考虑自车势场对障碍车辆影响的问题，提出基于V2V共享局部路径的交互式速度优化势场规划方法，可提升双方行驶安全舒适性并减少振荡。
2023-06-12 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
Autonomous Vehicle Parking in Dynamic Environments: An Integrated System with Prediction and Motion Planning
University of California, Berkeley（加州大学伯克利分校）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
本文提出了一种集成的运动规划系统的自主车辆（AV）停车在其他移动车辆的存在。拟议的系统包括1）预测周围车辆运动的混合环境预测器和2）对预测做出反应的战略运动规划器。混合环境预测器通过扩展卡尔曼滤波器和自适应观测器进行短期预测。它还将短期预测与驾驶员行为成本图相结合，以进行长期预测。该策略运动规划器包括：1）基于模型预测控制的安全控制器，用于轨迹跟踪; 2）基于搜索的撤退规划器，用于在紧急情况下寻找规避路径; 3）基于优化的修复规划器，用于在原始路径无效时规划新路径。仿真验证表明，所提出的方法在初始规划，运动预测，安全跟踪，在紧急情况下撤退，和轨迹修复方面的有效性。
2022-04-26 cs.RO
Motion Planning for Multirotor Aerial Vehicles in Plan-based Control Paradigm: a Review
Innopolis University（Innopolis大学）
通常，最佳运动规划可以局部地和全局地执行。在这种规划中，选择局部规划技术还是全局规划技术主要取决于环境条件是动态的还是静态的。因此，最适当的选择是使用局部规划或局部规划与全局规划。在设计局部和全局最优运动规划时，要记住的关键指标是执行时间、渐近最优性和对动态障碍物的快速反应。这样的规划方法与诸如路径规划之后进行平滑的其他方法相比可以更有效地解决上述目标度量。因此，本研究的首要目标是分析相关文献，以了解如何制定的运动规划，特别是轨迹规划，问题时，被应用于实时生成最佳轨迹的多旋翼飞行器（MAVs），影响所列指标。作为研究的结果，轨迹规划问题被分解为一组子问题，并确定和详细描述了解决每个问题的方法列表。随后，对2010年至2022年期间最突出的成果进行了总结，并以时间轴的形式进行了介绍。
2023-01-30 cs.RO
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
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
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
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
Adaptive speed planning for Unmanned Vehicle Based on Deep Reinforcement Learning
Northeastern University（东北大学）；University of Michigan, Ann Arbor（密歇根大学安娜堡分校）；Columbia University（哥伦比亚大学）
本文提出基于DQN和DDQN的无人车辆局部导航系统，通过改进奖励函数和障碍物角度判定方法，解决了接近障碍物时频繁减速的问题，实现了更稳定高效的自适应速度与路径规划。
2024-04-26 cs.RO
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 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
On Salience-Sensitive Sign Classification in Autonomous Vehicle Path Planning: Experimental Explorations with a Novel Dataset
University of California, San Diego（加州大学圣地亚哥分校）
自动驾驶中的安全路径规划是一项复杂的任务，由于静态场景元素和不确定的周围代理的相互作用。虽然所有静态场景元素都是信息源，但自我车辆可用的信息具有不对称的重要性。我们提出了一个数据集与一个新的功能，标志的显着性，定义为指示是否有明显的信息，自我车辆的目标，关于交通法规的标志。在裁剪标志上使用卷积网络，结合道路类型、图像坐标和计划机动的实验增强，我们以76%的准确率预测标志的显著性，使用标志图像的车辆机动信息找到最佳改进。
2021-12-02 cs.CV cs.RO
A Self-Supervised Learning Approach to Rapid Path Planning for Car-Like Vehicles Maneuvering in Urban Environment
Institute of Robotics and Machine Intelligence（机器人与机器智能研究所）；Poznan University of Technology（波兹南理工大学）
一个有效的路径规划器的自动汽车类车辆应该处理强大的运动学约束，特别是在有限的空间，而在城市交通中机动时经常遇到的，并应能够快速规划，因为城市交通场景是高度动态的。最先进的规划算法以高计算成本处理这种困难的情况，通常会产生不确定的结果。然而，利用在相同或相似环境中获得的过去规划经验，可以快速生成可行的局部路径。虽然通过监督训练的学习对于真实的交通场景是有问题的，但本文引入了一种新的基于神经网络的路径规划方法，该方法采用基于梯度的自监督学习算法来预测可行路径。这种方法充分利用了以往的经验，并迅速产生可行的机动计划，汽车类车辆有限的转向角。这种方法的有效性已被计算实验所证实。
2020-03-02 cs.LG cs.RO
Fields2Cover: An open-source coverage path planning library for unmanned agricultural vehicles
Wageningen University & Research（瓦赫宁根大学及研究中心）
本文介绍了Fields 2Cover，一个新的开源库覆盖路径规划（CPP）的农用车辆。虽然现在有几种CPP解决方案，但将它们统一到开源库并提供基准测试工具来比较它们的性能的努力有限。Fields 2Cover提供了一个框架，用于规划覆盖路径，开发新技术，并对最先进的算法进行基准测试。该库具有模块化和可扩展的架构，支持各种车辆，可用于各种应用，包括农场。它的核心模块是：一个岬生成器，一个条带生成器，一个路线规划器和路径规划器。机器人操作系统（ROS）的接口也提供了作为add-on. In本文中，库的功能，规划覆盖路径在农业中使用8个国家的最先进的方法和7个目标函数在模拟和田间试验。
2023-02-17 cs.CG cs.RO
Path Planning Followed by Kinodynamic Smoothing for Multirotor Aerial Vehicles (MAVs)
Center for Technologies in Robotics and Mechatronics Components, Innopolis University（英诺波利斯大学机器人与机电一体化组件技术中心）
我们探索路径规划其次是运动动力学平滑，同时确保车辆动力学的可行性微型飞行器。为此，我们选择了基于几何的运动规划技术\textquotedblleft RRT* \textquotedblright \;。在所提出的技术中，我们修改了原始RRT* 引入自适应搜索空间和转向功能，这有助于增加规划器的一致性。此外，我们提出了多个RRT*，它产生一组所需的路径，提供了最佳的路径是其中选择。然后，应用运动动力学平滑技术，得到动态可行的无障碍路径，并利用b样条曲线生成未知环境下的自主机动轨迹。最后，我们在各种模拟环境中测试了所提出的技术。
2020-08-29 cs.CV cs.RO math.OC
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
Optimization-based motion planning for multi-steered articulated vehicles
Linköping University（林雪平大学）
即使对于有经验的驾驶员来说，在狭窄的环境中操纵多转向铰接车辆的任务也是困难的。在这项工作中，我们提出了一个基于优化的轨迹规划器，针对低速机动的非结构化环境中的多转向N拖车车辆，这是由一个汽车一样的拖拉机和任意数量的相互连接的拖车固定或可转向的车轮。所提出的轨迹规划框架分为两个步骤，其中基于网格的轨迹规划器在第一步骤中用于计算轨迹规划问题的离散化版本的分辨率最优解。然后，在第二步骤中使用来自网格规划器的输出来初始化最优控制问题求解器，这使得框架能够计算在车辆的初态开始并精确地到达目标状态的局部最优轨迹。所提出的基于优化的轨迹规划器的性能进行评估，在一组实际相关的情况下，多转向3拖车车辆与车一样的拖拉机，其中最后一个拖车是可操纵的。
2020-03-02 cs.RO math.OC
Path Planning for Multiple Heterogeneous Unmanned Vehicles with Uncertain Service Times
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；Wayne State University（韦恩州立大学）；Air Force Research Laboratory（空军研究实验室）
本文提出了一个框架，并制定解决路径规划问题的多个异构无人机（UV）与不确定的服务时间为每个车辆-目标对。车辆将受到与其总服务时间超过预设常数的持续时间成比例的惩罚。这些车辆的运动限制不同，在任务开始时位于不同的仓库。车辆还可以配备不同的传感器。目标是为每辆车找到一个在其各自的停车场开始和结束的行程，使得每个目标都被某辆车访问和服务，同时最小化总行驶距离和所有车辆所产生的预期惩罚之和。我们制定的问题作为一个两阶段的随机程序与追索权，目前的理论性质的制定和优势，使用这样的制定，而不是一个确定性的期望值制定，来解决这个问题。大量的数值模拟也证实了所提出的方法的有效性。
2017-02-24 cs.RO math.OC
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
Interaction-Aware Trajectory Prediction and Planning for Autonomous Vehicles in Forced Merge Scenarios
University of Michigan（密歇根大学）；Ford Motor Company（福特汽车公司）
一般来说，合并对于人类驾驶员和自动驾驶车辆来说都是一项具有挑战性的任务，特别是在密集的交通中，因为合并车辆通常需要与其他车辆交互以识别或创建间隙并安全地合并。在本文中，我们考虑的问题，自主车辆控制强制合并的情况下。我们提出了一种新的博弈论控制器，称为领导者-追随者游戏控制器（LFGC），其中自主自我车辆和其他车辆与先验不确定的驾驶意图之间的相互作用被建模为部分可观察的领导者-追随者游戏。LFGC根据观测到的轨迹在线估计其他车辆的意图，然后预测它们的未来轨迹，并使用模型预测控制（MPC）规划自我车辆的自身轨迹，以同时实现概率上保证的安全和合并目标。为了验证LFGC的性能，我们在模拟和NGSIM数据中对其进行了测试，LFGC在合并中表现出97.5%的高成功率。
2021-12-14 cs.RO cs.SY eess.SY
Design, Field Evaluation, and Traffic Analysis of a Competitive Autonomous Driving Model in a Congested Environment
Korea Advanced Institute of Science and Technologies (KAIST)（韩国科学技术院）
最近，许多研究已经调查了使用车辆到一切（V2X）之间的通信的协作交通系统。不幸的是，当部署多个自动驾驶车辆同时暴露于通信故障时，各种自动驾驶车辆之间可能存在理想条件的冲突，从而导致道路上的对抗情况。在韩国，虚拟和现实城市自动多车比赛分别于2021年3月和11月举行。在比赛中，多辆车同时参与，这需要操纵，如超车低速车辆，通过十字路口，并遵守交通法规。在这项研究中，我们引入了一个完全自动驾驶的软件栈来部署一个有竞争力的驾驶模型，这使我们能够赢得城市自动驾驶多车比赛。我们评估基于模块的系统，如导航，感知和规划在现实和虚拟环境中。此外，在通过通信收集多个车辆位置数据之后执行交通分析，以获得对多智能体自动驾驶场景的额外洞察。最后，我们提出了一种分析交通的方法，以比较多辆自动驾驶汽车的空间分布。我们研究每个团队的驾驶日志数据之间的相似性分布，以确定竞争性自动驾驶对交通环境的影响。
2022-11-07 cs.RO cs.SY eess.SY
Numerical Energy Analysis of In-wheel Motor Driven Autonomous Electric Vehicles
Case Western Reserve University（凯斯西储大学）；Nantong University（南通大学）
自主电动汽车作为未来地面交通的发展方向受到广泛的研究，但基于传统动力传动系统的自主电动汽车限制了其能量和动力的传输效率，可能会阻碍其广泛的应用。在这里，我们报告了一项关于由轮内电机驱动的中型自主电动汽车的能耗和效率改善的研究，通过开发一个数值能量模型，用实际驾驶数据进行验证，并在案例研究中实施。通过平路、上坡、下坡3种行驶工况下的能量分析，考察了能量消耗情况，并对轮毂电机驱动动力总成系统的节能潜力进行了系统的探讨。在考虑再生制动能量回收的基础上，基于车辆动力学和自动驾驶模式，计算了特定行驶循环下的能耗和再生能量。使用西洛杉矶的基线电动汽车驾驶数据进行了案例研究。结果发现，在轮内电机驱动的自主电动汽车可以节省高达17.5%的能源相比，传统的电动汽车在斜坡行驶。利用某商用轮毂电机的效率图，研究得到的数值能量模型和验证结果符合实际情况，可用于支持未来更节能的自主电动汽车的可持续发展。
2021-04-10 cs.RO cs.SY eess.SY
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
Priority-based coordination of autonomous and legacy vehicles at intersection
本文提出一种基于优先级的协调方法，支持传统车辆安全通过交叉口，同时保持无碰撞和死锁特性。
2014-09-26 cs.RO cs.SY eess.SY
An Anomaly Behavior Analysis Framework for Securing Autonomous Vehicle Perception
The University of Arizona（亚利桑那大学）
本文提出融合基于物理的车辆行为模型与机器学习的异常行为分析框架，通过时序特征识别感知传感器攻击，并在真实测试床实验中验证有效性且发布首个相关数据集。
2024-04-04 cs.RO cs.SY eess.SY
Game-theoretic Modeling of Traffic in Unsignalized Intersection Network for Autonomous Vehicle Control Verification and Validation
University of Michigan（密歇根大学）；Bilkent University（比尔肯大学）
在可预见的未来，自动驾驶汽车（AV）将与人类驾驶的汽车一起在交通中运行。他们的规划和控制系统需要进行广泛的测试，包括模拟自动驾驶/人类驾驶车辆之间的交互的早期测试。出于对这种仿真工具的需求，我们提出了一种博弈论的方法来建模车辆的相互作用，特别是在城市交通环境与无信号交叉口。我们开发的交通模型与异构（在他们的驾驶风格方面）和互动的车辆基于我们提出的方法，并使用它们进行虚拟测试，评估和校准的AV控制系统。为了说明，我们考虑两种AV控制方法，分析其特性和性能的基础上，我们开发的交通模型的仿真结果，并优化其中之一的参数。
2020-07-18 cs.RO cs.SY eess.SY
A Highway Toll Lane Framework that Unites Autonomous Vehicles and High-occupancy Vehicles
我们考虑的情况下，具有低/高占用率的人类驾驶/自动驾驶车辆共享一段高速公路，自动驾驶车辆能够通过保持比人类驾驶车辆更短的车头时距来增加交通吞吐量。我们提出了一个收费车道框架，高速公路上的一条车道自由地保留给具有高占用率的自动驾驶车辆，这些车辆具有最大的社会流动性，其他三类车辆可以选择使用收费车道或自由使用其他常规车道。假设所有车辆只对最小化其自身的旅行成本感兴趣。我们探索由此产生的车道选择均衡的框架下，并建立理想的属性的均衡，其中隐含的高占用车辆与自动驾驶汽车的能力，以增加社会流动性。我们进一步使用最佳收费设计，占用阈值设计和政策设计问题中的数值例子来阐明这种将高占用车辆和自动驾驶车辆结合在一起的收费车道框架的各种潜在应用。据我们所知，这是第一项系统研究收费车道框架的工作，该框架将自动驾驶车辆和道路上的高占用车辆结合起来。
2021-07-26 cs.SY eess.SY
Exploring the Use of Autonomous Unmanned Vehicles for Supporting Power Grid Operations
本文提出一种基于优化的可处理方法，将自主无人车辆作为“移动电池”策略性调度到目标位置，以维持电网功率平衡、降低运行成本，并通过数值研究验证其有效性和可扩展性。
2025-02-07 cs.SY eess.SY
Gradient Policy on "CartPole" game and its' expansibility to F1Tenth Autonomous Vehicles
Trinity College Dublin（都柏林圣三一学院）；College Green（学院绿地）
策略梯度是一种有效的方法来估计对环境的持续行动。本文详细介绍了该算法的数学公式和代码实现.最后，将CartPole上的摇杆旋转角度与Autonomous车辆转弯时的角度进行比较，并利用Bicycle Model这一简单的Kinematic动力学模型，找出两者之间的相似性，以便将CartPole模型移植到F1tenth Autonomous车辆上。
2021-03-15 cs.AI cs.RO cs.SY
Economic MPC-based planning for marine vehicles: Tuning safety and energy efficiency
能源效率和安全性是船舶在障碍物环境中运行的两个关键目标，它们通常相互冲突。本文提出了一种基于经济模型预测控制（EMPC）框架的船舶运动规划方法。首先，设计具有最大安全裕度的可行轨迹，并将其作为跟踪参考。其次，设计了基于EMPC的滚动时域运动规划算法，在该算法中，规划轨迹和参考之间的距离）。实验结果验证了该方法的有效性和可行性。
2021-12-10 cs.SY eess.SY
Development of an Autonomous Reverse Engineering Capability for Controller Area Network Messages to Support Autonomous Control Retrofits
North Dakota State University（北达科他州立大学）
针对不同厂商CAN实现差异阻碍自动驾驶改装规模化的问题，提出通过同步记录IMU与CAN数据逆向识别车辆油门、制动踏板对应CAN通道的方法，经6辆车测试验证有效，可适配不同车辆通信标准，为售后自动驾驶套件开发提供支持。
2023-07-20 cs.OH cs.RO cs.SY
Adaptive Optimization of Autonomous Vehicle Computational Resources for Performance and Energy Improvement
自动驾驶汽车通常会消耗大量的计算能力来进行操作，特别是使用人工智能算法进行传感和感知的任务。这样的计算不仅可能花费大量的能量，而且当机载计算资源有限时还可能导致性能问题。为了解决这个问题，本文提出了一种自适应优化方法，根据车辆所面临的情况的上下文，在多个车辆子系统之间在线分配自主车辆的车载计算资源。设计了不同的自动驾驶场景来验证所提出的方法，结果表明，与现有的计算安排相比，它可以帮助提高自动驾驶汽车的整体性能和能源消耗。
2021-07-30 cs.SY eess.SY
Autonomous Cooperative Levels of Multiple-Heterogeneous Unmanned Vehicle Systems
针对多异构无人车系统自主协同缺乏明确定义与等级划分的问题，本文明确了其自主协同概念，并提出等级划分标准以评估系统技术成熟度。
2024-05-15 cs.SY eess.SY
Trajectory planning for multiple autonomous underwater vehicles with safety guarantees
研究了多自主水下机器人（AUV）在强海浪中的轨迹规划问题，该问题会干扰AUV的轨迹跟踪能力，并导致障碍物和机器人之间的碰撞。提出了一种基于Hamilton-Jacobi微分对策和模型预测控制的AUV安全轨迹生成方法，该方法考虑了时变状态无关或时变状态相关的波浪扰动。该方法规划多个AUV的安全保证的轨迹，并考虑AUV的形状，其中非线性光滑避碰约束通过强对偶性获得。
2020-11-27 cs.SY eess.SY
Adaptive Robust Game-Theoretic Decision Making for Autonomous Vehicles
在典型的交通场景中，自动驾驶车辆需要与其他道路参与者共享道路，例如，人类驾驶的车辆、行人等。为了成功地在交通中导航，自主代理可以使用诸如级别k框架的认知层次理论来基于代理的策略思想的深度对代理进行分类，并相应地采取行动。然而，车辆动力学及其预测之间的不匹配，以及代理的不正确分类可能导致不期望的行为或碰撞。鲁棒方法可以处理不确定性，然而，可能导致自主车辆的保守行为。本文提出了一种自适应鲁棒决策策略，自动驾驶汽车处理模型的预测模型中的模型失配，同时利用驾驶员行为的信心，以获得不太保守的行动。在高速公路驾驶场景中的车道变换操纵所提出的方法的有效性进行了验证。
2019-09-23 cs.SY eess.SY
Automated Vehicle Highway Merging: Motion Planning via Adaptive Interactive Mixed-Integer MPC
提出了一种新的高速公路自动合流运动规划框架。为了计划合并并预测相邻车辆的运动，自我自动驾驶车辆在后退范围内解决了两个车辆成本的联合优化。通过引入整数决策变量处理可行区域和车道纪律的非凸性质，从而导致模型预测控制（MPC）问题的混合整数二次规划（MIQP）制定。此外，自我使用逆最优控制方法，通过观察邻居的最近运动来估算邻居车辆成本的权重，并相应地调整其解决方案。我们称之为自适应交互式混合整数MPC（aiMPC）。仿真结果表明了该框架的有效性。
2022-11-04 cs.SY eess.SY
Interaction-Aware Motion Planning for Autonomous Vehicles with Multi-Modal Obstacle Uncertainty Predictions
本文提出一种结合IAIMM-KF多模态预测与MPC的自动驾驶车辆交互安全感知运动规划方法，通过引入可调参数平衡性能与鲁棒性，在复杂交通场景中实现安全避碰与轨迹跟踪。
2023-09-13 cs.SY eess.SY
