Situation-aware Autonomous Driving Decision Making with Cooperative Perception on Demand
National University of Singapore（新加坡国立大学）
本文提出按需协同感知策略CPoD，仅在态势感知需要扩展感知范围时激活协同感知，并将其建模为POMDP在线求解，以提升城市道路自动驾驶决策的安全性与效率。
2024-09-03 cs.RO
Swarm Intelligence in Collision-free Formation Control for Multi-UAV Systems with 3D Obstacle Avoidance Maneuvers
University of Oklahoma（俄克拉荷马大学）
本研究受罗非鱼和鸽子集体行为启发，提出一种结合集中式与分布式控制器的多无人机无碰撞编队控制框架，并扩展至三维避障机动，在二维和三维场景中验证了其有效性。
2024-12-17 cs.RO
DLW-CI: A Dynamic Likelihood-Weighted Cooperative Infotaxis Approach for Multi-Source Search in Urban Environments Using Consumer Drone Networks
针对城市环境中未知数量与位置的多危险源搜索难题，提出动态似然加权协作信息趋向方法DLW-CI，结合多并行粒子滤波器与动态协作机制优化多无人机搜索，显著提升了成功率、准确性与能效。
2025-04-29 cs.IT cs.RO math.IT
Multi-Target Maneuver Coordinations: Unlocking Coordination Opportunities in Connected Automated Driving
Networked Systems Lab, Universidad Miguel Hernandez de Elche（米格尔· Hernandez 大学网络系统实验室）；Toyota Motor North America R&D – InfoTech Labs（丰田北美研发-信息科技实验室）
提出一种基于多目标选择的机动协调方法，使车辆能在给定机动中识别并选择多个潜在协调车辆，在不修改执行逻辑和协议的前提下增加协调机会，实验表明该方法显著提高协调触发和执行成功率且计算成本低。
2026-06-23 cs.NI cs.RO
AutonoVi: Autonomous Vehicle Planning with Dynamic Maneuvers and Traffic Constraints
University of North Carolina, Chapel Hill（北卡罗来纳大学教堂山分校）；University of Central Florida（中佛罗里达大学）
我们提出了AutonoVi：，一种新的自主车辆导航算法，支持动态机动，满足交通约束和规范。我们的方法是基于优化的机动规划，支持动态车道变化，转弯，刹车在所有的交通场景，并引导车辆到其目标位置。我们考虑到各种交通约束，包括避免与其他车辆，行人和骑自行车的人使用控制速度障碍碰撞。我们使用数据驱动的方法来建模车辆动力学控制和避免碰撞。此外，我们的轨迹计算算法考虑到交通规则和行为，如停止在十字路口和红灯，基于圆弧样条表示。我们在模拟环境中评估了我们的算法，并测试了其在城市和高速公路驾驶场景中与数十辆汽车，行人和骑自行车的人的交互性能。这些场景包括乱穿马路的行人、从高速上突然停车、安全地通过骑自行车的人、车辆突然转向车道以及高密度交通，其中车辆必须改变车道以更有效地前进。
2017-03-29 cs.MA cs.RO
Dynamic Decentralized 3D Urban Coverage and Patrol with UAVs
本文提出了一种模块化框架和巡逻策略，使无人机群在灾害场景中实现协作和周期性覆盖。通过任务分配将感兴趣区域离散化为连接的视点路径，无人机团队在随机方向上沿路径移动并碰撞，实现3D城市环境的完整覆盖。
2024-06-14 cs.RO
AeroCast: Probabilistic 3D Trajectory Prediction for Non-Cooperative Aerial Obstacles via Transformer-MDN Architecture
Department of Engineering, Texas A&M University–Corpus Christi（德克萨斯A&M大学科珀斯克里斯蒂分校工程系）
提出AeroCast框架，结合Transformer编码器和混合密度网络，预测非合作空中障碍物的多模态轨迹，在五秒预测范围内将位移误差降低约50%，并支持实时部署。
2026-06-25 cs.AI cs.LG cs.RO
Novel Pigeon-inspired 3D Obstacle Detection and Avoidance Maneuver for Multi-UAV Systems
University of Oklahoma（俄克拉荷马大学）
受罗非鱼和鸽子群体行为启发，提出一种半分布式多无人机无碰撞编队控制框架，结合概率Lloyd's算法实现最优定位与三维障碍规避，并在二维和三维动态环境中验证了有效性。
2025-07-01 cs.AI cs.MA cs.RO
Automated Driving Maneuvers under Interactive Environment based on Deep Reinforcement Learning
University of California, Berkeley（加州大学伯克利分校）
在交互式和复杂的环境中安全和有效的自动驾驶机动可能是相当具有挑战性的，因为其他周围代理的不可预测的动作，这些代理在与自我车辆的交互中可能是合作的或对抗的。最先进的方法之一是应用强化学习（RL）来学习时序驾驶策略，以执行适当的控制策略或跟踪动态情况下的轨迹。然而，RL算法的直接应用并不足以令人满意地处理在自动驾驶领域的情况下，主要是由于复杂的驾驶环境和连续的动作空间。在本文中，我们采用Q学习作为我们的基本学习框架，并设计了一个独特的格式的Q函数逼近器，由神经网络来处理连续的动作空间的挑战。学习模型以连续控制变量的封闭形式存在，并在我们开发的嵌入式实时车辆交互特性的仿真平台中进行训练。所提出的算法避免了调用一个额外的演员网络，学习采取行动，在演员-评论家算法。同时，一些车辆动力学的先验知识也被输入到模型中，以辅助学习。通过一个具有挑战性的案例--变道机动，验证了所提方法的实用性和可行性。从累积的奖励和车辆性能的结果表明，RL车辆代理成功地学习一个安全，舒适和有效的驾驶策略中定义的奖励函数。
2019-01-24 cs.RO
Cooperative Collision Avoidance in Mobile Robots using Dynamic Vortex Potential Fields
Technische Universität Dortmund（多特蒙德工业大学）；International Institute of Information Technology Bangalore（班加罗尔国际信息技术学院）
本文研究了非完整机器人在二维平面内作匀速直线运动时的避碰问题。的机动，以避免碰撞的设计使用动态涡流势场（PF）和它们的负梯度;这种提法导致机器人之间的相互行为，表示为合作。排斥场被选择为机器人相对于另一个机器人的速度和位置的函数，并且在其定义中引入涡度保证了不存在局部最小值。只有当机器人处于与其他移动机器人或静止障碍物碰撞的路径上时，才会激活这种排斥场。通过分析极坐标系下基于运动学的啮合动力学，它表明，合作机器人是能够避免碰撞与非合作机器人，如固定和等速机器人，以及那些积极寻求与它碰撞的PF参数的条件确定，确保避免碰撞的所有情况下。使用移动机器人平台获得的实验结果支持的理论贡献。
2022-11-24 cs.RO
Cooperative Bidirectional Mixed-Traffic Overtaking
University of Maryland（马里兰大学）
针对双向混合交通中CAVs的安全超车难题，提出一种基于协作通信的控制框架，利用车辆间共享信息减少传感器遮挡影响，并结合局部速度预测，在保证安全和舒适的前提下最大化速度，并通过真实交通仿真验证了性能。
2023-11-14 cs.RO
Cooperative Indoor Exploration Leveraging a Mixed-Size UAV Team with Heterogeneous Sensors
CTU Czech Technical University（捷克技术大学）
本文提出一种混合尺寸异构传感器无人机团队的室内探索方法，结合贪心与最小成本流两种任务分配策略，并利用SphereMap进行可达性评估与避碰路径生成，经仿真和实机实验验证。
2025-06-03 cs.RO
Urban Driver: Learning to Drive from Real-world Demonstrations Using Policy Gradients
Woven Planet（Woven Planet（织网星球））；Level 5（Level 5（第五级））
在这项工作中，我们首次提出了一种离线策略梯度方法，用于从大量真实世界的演示中学习复杂城市驾驶的模仿政策。这是通过在感知输出和该地区的高保真高清地图之上构建可区分的数据驱动模拟器来实现的。它允许我们使用中级表示从现有演示中合成新的驾驶体验。然后，使用该模拟器，我们在闭环中采用策略梯度训练策略网络。我们训练我们提出的方法在100小时的专家演示城市道路上，并表明它学习复杂的驾驶政策，概括良好，可以执行各种驾驶机动。我们在模拟中证明了这一点，并将我们的模型部署到现实世界中的自动驾驶车辆上。我们的方法在城市驾驶场景中的表现优于之前展示的最先进技术-所有这些都不需要复杂的状态扰动或在训练期间收集额外的政策数据。我们公开代码和数据。
2021-09-27 cs.AI cs.CV cs.LG
Interpretable Goal-based Prediction and Planning for Autonomous Driving
Five AI Ltd.（Five AI有限公司）；School of Informatics, University of Edinburgh（爱丁堡大学信息学院）；University of Oxford（牛津大学）
我们提出了一个集成的预测和规划系统的自动驾驶，使用合理的逆向规划，以识别其他车辆的目标。目标识别通知蒙特卡罗树搜索（MCTS）算法来规划自我车辆的最佳机动。逆向规划和MCTS利用一组共享的定义机动和宏观行动来构建可通过合理性原则解释的计划。在城市驾驶场景模拟中的评估表明，该系统能够稳健地识别其他车辆的目标，使我们的车辆能够利用重要的机会来显着减少驾驶时间。在每种情况下，我们提取直观的解释，证明系统的决定的预测。
2021-03-15 cs.RO
Graph-based Trajectory Prediction with Cooperative Information
Ulm University（乌尔姆大学）；Institute of Measurement, Control and Microtechnology（测量、控制与微技术研究所）
本文提出一种基于图的神经网络架构，利用协作信息提升自动驾驶中复杂交通情境下的轨迹预测性能，并验证了其在有协作数据、无协作数据及数据不准确情况下的有效性。
2023-10-24 cs.CV cs.RO
Miniature Testbed for Validating Multi-Agent Cooperative Autonomous Driving
School of Electrical Engineering（电气工程学院）；School of Mechanical Engineering（机械工程学院）；Korea Advanced Institute of Science and Technology（韩国科学技术院）
提出CIVAT微型测试平台，集成V2V/V2I通信与ROS2框架，通过基础设施感知和交叉口管理实验验证协同自动驾驶功能。
2026-06-12 cs.RO
Autonomous Ramp Merge Maneuver Based on Reinforcement Learning with Continuous Action Space
University of California, Berkeley（加州大学伯克利分校）
匝道并线是保证道路安全和交通效率的重要手段。目前由多家汽车制造商和供应商开发的大多数自动驾驶系统通常仅限于限制进入的高速公路。将自动化模式扩展到匝道合并区带来了巨大的挑战。一个是自动驾驶汽车需要纳入未来目标（例如成功和顺利的合并），并在执行当前操作时优化受后续操作影响的长期奖励。此外，合并过程涉及合并车辆及其周围车辆之间的相互作用，其行为可能是合作的或对抗的，从而导致不同的合并对策，这对于成功完成合并至关重要。代替传统的基于规则的方法，我们建议应用强化学习算法的自动驾驶车辆代理，以找到一个最佳的驾驶策略，通过最大化的长期奖励在一个互动的驾驶环境。最重要的是，与大多数强化学习应用中将动作空间解析为离散的相反，我们的方法将动作空间和状态空间视为连续的，而不会产生额外的计算成本。我们独特的贡献是设计的Q-函数近似，其格式是结构化的二次函数，简单而有效的神经网络被用来估计其系数。训练平台的实现结果表明，车辆智能体能够学习到安全、平稳、及时的并车策略，表明了该方法的有效性和实用性。
2018-03-25 cs.AI cs.RO
Cooperative UWB-Based Localization for Outdoors Positioning and Navigation of UAVs aided by Ground Robots
University of Turku（图尔库大学）
随着对航空数据的需求不断增加，无人机（UAV）变得越来越普遍。在许多工业应用中，精确的数据汇集所需的精确导航和定位通常依赖于RTK GNSS。这些系统能够达到厘米级精度，需要设置和校准过程，并且相对昂贵。研究了无人机协同定位的精确定位与导航问题。安装在无人机和支持地面机器人上的廉价超宽带（UWB）收发器可以实现厘米级的相对定位。该系统具有快速部署和广泛的设置灵活性，能够适应不同的环境，也可以在拒绝GNSS的环境中使用。通过广泛的模拟和测试场，我们评估了系统的准确性，并将其与多路径传输降低准确性的城市环境中的GNSS进行比较。为了完整性，我们在实验中包括视觉惯性测距和比较的性能与UWB为基础的合作定位。
2021-04-01 cs.RO
Joint Belief and Intent Prediction for Collision Avoidance in Autonomous Vehicles
University of Florida（佛罗里达大学）
本文描述了一种新的方法，允许自主地面车辆预测城市环境中的其他代理的意图。这种方法，被称为认知驾驶框架，模型的意图和潜在的错误信念的障碍车辆。通过将这些变量之间的关系建模为动态贝叶斯网络，可以执行过滤以计算障碍车辆的意图以及其对环境的信念。当在城市环境中导航时，可以利用这种联合知识来规划更安全和更有效的轨迹。仿真结果表明，当自动驾驶车辆在道路交叉口导航时，所提出的方法能够计算障碍车辆的意图，以便采取预防性机动以避免即将发生的碰撞。
2015-03-31 cs.RO
Cooperative Behavior Planning for Automated Driving using Graph Neural Networks
Robert Bosch GmbH（罗伯特·博世有限公司）；Ulm University（乌尔姆大学）
由于静态优先规则和遮挡限制了优先交通的视野，城市交叉口容易出现延误和效率低下。现有的改善交通流的方法，广泛称为自动交叉口管理系统，大多是基于非学习预留方案或优化算法。基于机器学习的技术在规划单个自我车辆方面显示出有希望的结果。本文提出利用机器学习算法，通过多车辆联合规划来优化城市交叉口的交通流。基于学习的行为规划提出了几个挑战，需要合适的输入和输出表示以及大量的地面实况数据。我们解决前一个问题，使用灵活的基于图形的输入表示伴随着一个图神经网络。这允许有效地编码场景，并固有地为所有涉及的车辆提供单独的输出。为了学习一个合理的策略，而不依赖于模仿的专家示范，合作规划任务被认为是一个强化学习问题。我们在自动驾驶决策的开源模拟环境中对所提出的方法进行了训练和评估。相比先进先出的计划和交通由静态优先级规则，学习规划显示出显着的增益流量，同时减少诱导停止的数量。除了合成模拟，该方法还基于从公开可用的inD数据集获取的真实交通数据进行评估。
2022-07-26 cs.LG cs.RO
CV2X-LOCA: Roadside Unit-Enabled Cooperative Localization Framework for Autonomous Vehicles
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Sun Yat-sen University（中山大学）
针对自动驾驶汽车在城市峡谷等GNSS拒止环境下的高精度定位难题，提出首个基于路侧单元的协同定位框架CV2X-LOCA，仅利用C-V2X信道状态信息即可在动态网络和噪声条件下实现车道级定位，并为RSUs部署提供投资决策参考。
2023-04-03 cs.CY cs.RO
Scalable Decentralized Cooperative Platoon using Multi-Agent Deep Reinforcement Learning
German University in Cairo（开罗德国大学）
针对智能交通中车辆队列行驶的性能与安全需求，提出基于Unity 3D和深度强化学习的可扩展去中心化协作队列方法，通过“共享与关怀”通信框架提升车队及单车性能鲁棒性，改善道路安全与拥堵。
2023-12-11 cs.AI cs.MA cs.RO
Cooperative Integrated Estimation-Guidance for Simultaneous Interception of Moving Targets
Intelligent Systems & Control (ISaC) Lab, Department of Aerospace Engineering, Indian Institute of Technology Bombay（智能系统与控制实验室，航空航天工程系，印度理工学院班加罗尔）；Guidance, Autonomy, Learning, and Control for Intelligent Systems (GALACxIS) Lab, Department of Aerospace Engineering and Engineering Mechanics, University of Cincinnati（智能系统引导、自主、学习与控制实验室，航空航天工程与工程力学系，辛辛那提大学）
本文提出一种协同集成估计-制导框架，通过预定时间观测器和TPNG解决无人车团队在部分传感器配置下同时拦截非机动目标的问题，实现目标状态收敛与剩余时间一致性。
2025-10-30 cs.MA cs.RO cs.SY
Dynamics and Control of Vision-Aided Multi-UAV-tethered Netted System Capturing Non-Cooperative Target
Harbin Institute of Technology（哈尔滨工业大学）
本文提出多无人机系留网捕获非合作目标方案，并开发集成多体动力学、视觉跟踪与MAPPO强化学习控制的mySim仿真环境，验证了对非机动和机动目标的有效捕获能力。
2025-06-03 cs.RO cs.SY eess.SY
Cooperative Schedule-Driven Intersection Control with Connected and Autonomous Vehicles
Carnegie Mellon University（卡内基梅隆大学）
最近的工作分散，时间表驱动的交通控制已经证明了在复杂的城市道路网络，以提高交通流的效率的能力。在这种方法中，调度代理与每个交叉口相关联。每个代理感知接近其交叉口的交通，并实时构建一个时间表，最大限度地减少在当前前瞻视野内接近交叉口的车辆的累积等待时间。在本文中，我们提出了一种合作算法，利用连接和自动驾驶车辆（CAV）和时间表驱动的交通控制，以创造更好的城市交通流。该算法使交叉口调度代理调整的到来时间的车队通过使用无线通信来控制车辆的速度。接近队列的序列因此被移向具有较小累积延迟的新形状。我们演示了如何在实时交通信号控制问题，该算法优于原来的方法。
2019-07-03 cs.RO cs.SY eess.SY
UDMC: Unified Decision-Making and Control Framework for Urban Autonomous Driving with Motion Prediction of Traffic Participants
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The Hong Kong University of Science and Technology（香港科技大学）
本文提出统一L4自动驾驶框架UDMC，将决策与运动控制整合为单一OCP，并结合势函数建模与运动预测，在CARLA仿真中实现更安全、高效的城市驾驶。
2025-01-05 cs.DC cs.RO cs.SY
MIND-CAVs: Multi-Intelligence Negotiation and Decision System for CAVs based on Intent-Driven Autonomy
针对当前联网自动驾驶车辆缺乏全局一致、意图感知协调决策机制的问题，提出MIND-CAVs框架，车辆将传感器观测抽象为意图表示交换，边缘智能体协商冲突意图，实验表明该框架在多车道场景中相比基线有改善。
2026-07-21 cs.RO
Conditional Prediction by Simulation for Automated Driving
CARIAD SE；Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
本文提出一种基于微观交通仿真和对抗性逆强化学习行为模型的条件预测方法，通过以自动驾驶车辆候选轨迹为条件生成预测并支持动态调整，从而实现协同规划。
2025-02-05 cs.CV cs.RO
Future urban mobility as a bio-inspired collaborative system of multi-functional autonomous vehicles
MIT Media Lab（麻省理工学院媒体实验室）
快速城市化和气候变化挑战需要能够实现城市中人员和货物高效流动的解决方案。我们设想未来的城市将由高性能的步行区组成，在那里，超轻型共享和自动驾驶车辆可以满足交通需求。在未来，大多数车辆都将是自主的，这为车辆之间可能的互动创造了一个新的范例。自然群体是一个很好的例子，可以丰富的互动;他们可以分工，集群，一起建设，或合作运输。群体机器人领域已经将自然群体的一些行为转化为人工系统，证明使系统更加灵活，可扩展和鲁棒。受大自然的启发和群体机器人技术的支持，本文提出了一种未来的移动性，其中共享，电动和自动驾驶车辆将是多功能的，并表现为一个协作系统。在未来，多功能车辆将协同完成不同的任务，以满足不同的城市交通需求。本文提出了一个未来城市交通框架，以一种新颖独特的方式整合了当前的研究和交通趋势。
2022-02-24 cs.MA cs.RO cs.SY
A Universal Multi-Vehicle Cooperative Decision-Making Approach in Structured Roads by Mixed-Integer Potential Game
The Hong Kong University of Science and Technology, Guangzhou（香港科技大学（广州））；The Hong Kong University of Science and Technology（香港科技大学）
针对多车协同决策在多样场景中适应性差的问题，提出基于混合整数势博弈的通用方法，将决策转化为图路径搜索并设计顺序Gauss-Seidel算法求解Nash均衡，有效提升了决策效率。
2024-09-24 cs.RO
Distance-based Multiple Non-cooperative Ground Target Encirclement for Complex Environments
School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院）；Shanghai Research Institute for Intelligent Autonomous Systems, Tongji University（同济大学上海智能自主系统研究院）；School of Automation, Guangdong University of Technology（广东工业大学自动化学院）
本文针对障碍物密集且GPS拒止环境下的多无人机包围多地面目标问题，提出基于距离的目标状态估计器和融合反同步与伪力的协同包围控制方法，并通过仿真与实验验证其有效性。
2024-11-04 cs.RO
Real-time Vehicle-to-Vehicle Communication Based Network Cooperative Control System through Distributed Database and Multimodal Perception: Demonstrated in Crossroads
Zhejiang University（浙江大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Michigan（密歇根大学）
本文提出基于V2V通信的网络协同控制系统VVCCS，结合分布式数据库和多模态感知，在Qcar平台上实现宏观交通规划与碰撞避免，并通过十字路口演示验证其在复杂城市环境中的潜力。
2024-10-23 cs.AI cs.RO cs.SY
Machine Learning-Aided Cooperative Localization under Dense Urban Environment
针对密集城市中可靠测量缺失及集中式定位难以扩展的问题，本文提出机器学习增强的去中心化多车协同定位方法，并通过真实地图虚拟测试平台验证其可行性与性能增益。
2024-04-05 cs.IT eess.SP math.IT
Cooperative Evaluation of the Cause of Urban Traffic Congestion via Connected Vehicles
我们开发了一个分布式数据挖掘系统，通过新兴的连接车辆（CV）技术来阐述城市交通拥堵的原因。我们通过车辆之间的交互来观察这种复杂的现象，这些车辆通过车辆到车辆（V2 V）通信交换消息。结果是基于实时仿真生成的场景扩展从现实世界的交通出行和活动的PAtdom仿真（TAPAS）科隆的情况。我们评估了一个投票程序（VP），用于获得更深层次的见解，使用车辆之间的合作，信念函数（BF）的目的是提高信息的表示和数据关联技术（DAT），旨在数据挖掘和提取的关联规则，从交换的消息。方法进行了测试和比较，使用微观城市流动性模拟器，SUMO和网络模拟器，NS-2，CV之间的通信模拟。与以往文献中广泛使用的反向传播算法（BP）相比，我们的性能评估表明，所提出的方法提高了对拥塞原因的估计，其中VP提高了48%，BF提高了58%，DAT提高了71%，\textbeta -DAT提高了70%，检测时间也从7.09%提高到10.3%，并且\textbeta -DAT比BP的性能好大约1.25\%，少了网络触发的假警报，这在实时决策制定的上下文中可能是重要的。我们表明，63%和75%之间的市场渗透率足以确保令人满意的性能。
2020-12-04 eess.SP
Performance of Cooperative Detection in Joint Communication-Sensing Vehicular Network: A Data Analytic and Stochastic Geometry Approach
城市环境的日益复杂给自主车辆网络的部署带来了额外的不确定性。为了实现城市自主车辆的高效通信和障碍物检测，提出了一种基于联合通信与感知（JCS）技术的道路基础设施协同检测模型。为了抑制JCS信号因阴影和障碍物而引起的性能波动，我们首先从地理信息系统（GIS）中导出道路障碍物的统计信息。在此基础上，利用视距和非视距信道模型，分析了复杂城市场景下JCS信道特性和阴影影响因素。应用随机几何方法分析了干扰因素和JCS成功检测与通信的概率分布。仿真结果验证了基于LoS和NLoS信道的概率分析的合作检测模型，数值结果表明了几种不同的优化方法部署JCS道路基础设施。最后，对符合城市交通点结构布局标准的JCS道路基础设施配置优化方法进行了仿真分析。
2022-11-02 cs.SY eess.SP eess.SY
Automotive Collision Risk Estimation Under Cooperative Sensing
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提供了一种技术，估计碰撞风险的自动地面车辆从事合作感测。该技术允许量化（i）由于合作而降低的风险，以及（ii）由于合作而增加的风险评估的准确性。如果两者中的任何一个都很重要，则可以将合作视为满足日益自动化的车辆的严格风险预算的理想做法;如果不是，则不需要进行合作--尽管存在各种缺点。基于动态概率占用图和将碰撞相关状态信息映射到成本度量的损失函数，在自我车辆的轨迹上评估碰撞风险。风险评估框架证明使用从两个合作的车辆穿越城市交叉口捕获的真实数据。
2020-04-21 cs.RO eess.SP
Cooperative Beamforming with Predictive Relay Selection for Urban mmWave Communications
Rutgers, The State University of New Jersey（罗格斯新泽西州立大学）；University of Pennsylvania（宾夕法尼亚大学）
虽然毫米波（mmWave）通信承诺高数据速率，但是它们对阻塞的敏感性和严重的信号衰减对其在城市环境中的部署提出了挑战。为了克服这些影响，我们考虑一个分布式的合作波束成形系统，它依赖于静态中继部署在集群具有相似的信道特性，在每个时刻，只有一个中继从每个集群被选择参与波束成形的目的地。为了满足网络的服务质量保证，波束成形的关键先决条件是中继选择。然而，由于信道随时间变化，中继选择成为一个资源需求的任务。实际上，对所有候选中继的信道状态信息的估计（对于中继选择是必要的）是占用带宽、浪费功率并且在网络中引入延迟和干扰的过程。相反，我们提出了一种独特的，预测性的方案，用于资源高效的中继选择，它利用毫米波介质的特殊传播模式，可以跨集群分布式执行，并与基于最佳波束成形的通信并行。所提出的预测方案有效地利用时空信道的相关性与当前和过去的网络范围内的接收信号强度（RSS），后者是不变的中继集群的大小，在系统的操作过程中连续测量。我们的数值结果证实，我们提出的中继选择策略优于任何随机选择策略，不利用信道相关性，而在同一时间，它执行非常接近一个理想的方案，使用完整的，集群大小相关的RSS，并提供显着节省信道估计开销，提供更好的网络利用率，特别是在密集的拓扑结构，典型的毫米波网络。
2019-07-29 cs.IT cs.LG cs.NI
CMANet: Channel-Masked Attention Network for Cooperative Multi-Base-Station 3D Positioning
Zhejiang University（浙江大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）；Hangzhou City University（杭州城市学院）；Nanjing University（南京大学）
CMANet通过通道掩码注意力机制和轻量级LSTM解码器实现多基站协作的高精度3D定位，实验显示其在城市环境中具有优于现有方法的定位精度。
2026-01-31 eess.SP
Fronthaul-Efficient Distributed Cooperative 3D Positioning with Quantized Latent CSI Embeddings
本文提出一种高效前传的分布式协作3D定位方法，通过量化潜在CSI嵌入和两阶段训练策略，在有限前传容量下实现高精度定位。
2026-07-17 eess.SP
Proactive Content Caching Scheme in Urban Vehicular Networks
针对城市车载网络高动态性挑战，提出边缘计算使能的分层协作缓存框架，通过轨迹与流行度预测及隐私保护，实现自适应资源管理，显著提升命中率并降低延迟。
2023-05-12 cs.IT eess.SP math.IT
5G Wings: Investigating 5G-Connected Drones Performance in Non-Urban Areas
本文研究了无人机在未经修改的郊区低/中频段5G网络下的通信性能，对比LTE评估了不同速度和高度的关键指标，并为空中用户优化通信质量提供了轨迹控制建议。
2023-07-03 cs.NI eess.SP
