An NCAP-like Safety Indicator for Self-Driving Cars
Australian National University（澳大利亚国立大学）
本文提出了一种评估自动驾驶汽车安全性的机制。它评估汽车在必须避免与对手碰撞的情况下的安全性。该机制的核心是一个安全措施，称为安全神风距离（SKD），它计算安全对手的轨迹集和接近安全轨迹的神风轨迹之间的平均相似度。神风特攻队的轨迹生成的基础上规划下的不确定性技术，即部分可观察马尔可夫决策过程，占部分观察到的汽车政策的角度来看，对手。我们发现，SKD是成反比的概率上的上限，一个小的变形改变一个碰撞的对手的无碰撞的轨迹。我们对一个场景进行了系统的测试，其中对手是一个行人在被评估的汽车前面穿过单车道道路-这是Euro-NCAP的弱势道路使用者（VRU）自动紧急制动测试中的场景之一。使用基本控制器评估汽车的仿真结果以及使用高保真模拟器对机器学习控制器进行的测试表明，SKD在测量自动驾驶汽车安全性方面取得了可喜的成果。此外，每个模拟测试所需的时间不到11秒，因此在四核桌面上生成的模拟数据可以在不到25分钟的时间内计算出SKD。
2021-04-02 cs.AI cs.RO
IIT Bombay Racing Driverless: Autonomous Driving Stack for Formula Student AI
Indian Institute of Technology Bombay（印度理工学院孟买分校）
本文介绍 IIT Bombay Racing 面向 Formula Student-AI 赛事的自动驾驶赛车技术栈，融合多传感器、深度学习与控制系统，并通过四轮机器人和仿真验证感知、SLAM、规划与控制算法。
2024-08-12 cs.RO
Vehicle Prediction Model for Enhanced MPC Path Tracking in Formula Student Driverless
Center for Artificial Intelligence and Robotics (CAIRO)（人工智能与机器人中心（CAIRO）；维尔茨堡-施韦因富特应用科学大学）；TUAS Würzburg-Schweinfurt
提出一种结合离线贝叶斯线性回归与在线稀疏高斯过程回归的实时车辆预测模型，将预测精度提升高达57%，并在实际赛车MPC路径跟踪控制器中验证有效性。
2026-08-03 cs.RO
A Computer Vision Approach for Autonomous Cars to Drive Safe at Construction Zone
University of Siegen（锡根大学）
本文提出一种基于计算机视觉和YOLO框架的道路障碍物检测模型，用于在施工区域及多种漂移条件下精准识别障碍物，验证集平均精度超94%、推理时间1.6毫秒，有效提升自动驾驶安全性。
2024-09-24 cs.CV cs.RO
Sample Efficient Interactive End-to-End Deep Learning for Self-Driving Cars with Selective Multi-Class Safe Dataset Aggregation
Istanbul Technical University（伊斯坦布尔理工大学）；AVL Turkey（AVL土耳其公司）
本文的目标是为自动驾驶汽车开发一种样本高效的端到端深度学习方法，我们试图通过对每次调用专家驾驶员策略的仔细分析，增加从样本中提取的信息的价值。端到端模仿学习是一种流行的计算自动驾驶汽车策略的方法。标准方法依赖于收集输入（相机图像）和输出（转向角等）对。并将深度神经网络拟合到该数据以学习驾驶策略。尽管这种方法在过去有一些成功的示范，但是学习一个好的策略可能需要来自专家驱动程序的大量样本，这可能是消耗资源的。在这项工作中，我们开发了一种新的框架的基础上的安全数据集聚合（安全Dagger）的方法，其中当前学习的政策自动分割成不同的轨迹类，该算法识别轨迹段或类的弱性能在每一步。一旦识别出性能较差的轨迹段，采样算法只针对这些轨迹段调用专家策略，提高了收敛速度。仿真结果表明，所提出的方法可以产生显着更好的性能相比，标准的安全Dagger算法，同时使用相同数量的样本从专家。
2020-07-29 cs.CV cs.LG cs.RO
Reinforcement Learning Based Safe Decision Making for Highway Autonomous Driving
University of Alberta（阿尔伯塔大学）
在本文中，我们开发了一种在多车道、单智能体环境中自动驾驶汽车的安全决策方法。所提出的方法利用深度强化学习（RL）来实现安全战术决策的高级策略。我们解决了仅在自主导航中出现的两个主要挑战。首先，所提出的算法确保了冲突永远不会发生，因此加快了学习过程。其次，该算法考虑了环境中的不可观测状态。这些状态的出现主要是由于其他智能体（如汽车和行人）的不可预测行为，并使马尔可夫决策过程（MDP）在处理自主导航时出现问题。从一个著名的自动驾驶汽车模拟器的模拟证明了所提出的方法的适用性
2021-05-13 cs.AI cs.LG cs.RO
Using Automated Vehicles Operational Data to Confirm Safety and Anticipate Threats
European Commission, Joint Research Centre (JRC)（欧盟委员会联合研究中心）；Dutch Vehicle Authority (RDW)（荷兰车辆管理局）；Piksel（Piksel公司）
欧盟采用基于UNECE的ISMR框架收集ADS运行数据，以确认安全目标、发现威胁场景并共享经验，应对传统认证的未知挑战。
2026-09-11 cs.RO
Real-Time Adaptive Velocity Optimization for Autonomous Electric Cars at the Limits of Handling
Technical University of Munich（慕尼黑工业大学）
随着自动驾驶汽车的发展，像Roborace和Indy Autonomous Challenge这样的自动驾驶赛车系列正在迅速吸引越来越多的关注。参与这些竞赛的研究人员希望随后将他们开发的功能转移到乘用车上，以提高自动驾驶技术的安全性，并带来环境和社会效益。赛道的优势在于它是一个安全的环境，在这里永久地创造了对算法具有挑战性的情况。为了在赛道上实现最小圈速，重要的是收集和处理关于外部影响的信息，包括，例如，其他汽车的位置以及道路和轮胎之间的摩擦力。此外，自我汽车推进系统的预测行为对于尽可能有效地利用可用能量至关重要。因此，在本文中，我们提出了一个基于优化的速度规划，数学上表示为一个多参数序列二次问题（mpSQP）。该规划器可以处理空间和时间变化的摩擦系数，并将比赛能量策略（ES）转移到道路上。它还在车辆的电子控制单元（ECU）上实时的处理性能和紧急轨迹的速度剖面生成任务。
2020-12-25 cs.RO cs.SY eess.SY
CARScenes: Semantic VLM Dataset for Safe Autonomous Driving
st Yuankai He（第一作者）；nd Weisong Shi（第二作者）
该研究构建CAR-Scenes帧级自动驾驶数据集，含5192张图像与350+属性，通过GPT-4o辅助标注并公开相关资源，提供属性共现图等工具，还验证了LoRA微调Qwen2-VL-2B等基线，支持VLMs场景理解与智能车辆数据工作流。
2025-11-18 cs.CV cs.RO
Barrier Function Overrides For Non-Convex Fixed Wing Flight Control and Self-Driving Cars
Georgia Tech Research Institute（佐治亚理工学院研究 institute）；College of Computing at the Georgia Institute of Technology（佐治亚理工学院计算机学院）
本文针对固定翼飞机和自动驾驶汽车两类非凸系统，提出离散时间下的新型屏障函数覆盖方法，并通过近似求解在零安全违规下实现与基线强化学习相当的性能。
2025-05-08 cs.RO cs.SY eess.SY
Failing to Learn: Autonomously Identifying Perception Failures for Self-driving Cars
University of Michigan（密歇根大学）
自动驾驶汽车面临的主要挑战之一是检测汽车和行人的能力，以便在世界上安全导航。基于深度学习的对象检测器方法在使用相机图像检测和分类对象方面取得了巨大进步。但是对于安全关键应用，例如自动驾驶，现有技术的出错率仍然太高，无法实现安全操作。此外，对象检测器性能的表征主要限于对预先记录的数据集进行测试。如果没有额外的人类标签，新数据上发生的错误就不会被发现。在这封信中，我们提出了一种自动化的方法来识别没有地面真实标签的对象检测器所犯的错误。我们表明，一对相似图像之间的对象检测器输出的不一致性可以用作假阴性的假设（例如，遗漏的检测），并对每个假设使用一组新的特征，可以使用现成的二元分类器来发现有效的错误。特别是，我们研究了两个不同的线索-时间和立体声不一致-使用的数据是现成的大多数自动驾驶汽车。我们的方法可以用于任何基于相机的对象检测器，我们说明了几组真实世界的数据的技术。我们表明，一个国家的最先进的检测器，跟踪器，我们的分类器只训练合成数据可以识别有效的错误KITTI跟踪数据集的平均精度为0.94。我们还发布了一个新的跟踪数据集，其中包含104个序列，共计80，655个标记的立体图像对，以及来自游戏引擎的地面真实差异，以促进进一步的研究。数据集和代码可在https://fcav.engin.umich.edu/research/failing-to-learn上获得
2018-07-26 cs.CV cs.RO
Social Cohesion in Autonomous Driving
University of California, Berkeley（加州大学伯克利分校）
自动驾驶汽车的表现不佳有很多原因。他们可能有感知问题，不正确的动力学模型，不知道人类交通系统的模糊规则，或者过于保守地遵循某些规则。无论汽车的确切故障模式如何，汽车周围的人类驾驶员通常都表现得很正确。例如，即使汽车不知道它应该在救护车经过时靠边停车，道路上的其他人也会知道并会靠边停车。我们建议制造具有社会凝聚力的汽车，利用附近人类驾驶员的行为，以更安全、更能被社会接受的方式行事。我们算法背后的简单直觉是，如果所有人都以特定的方式行事，那么自动驾驶汽车可能也应该如此。我们分析了我们的算法在各种情况下的性能，并进行了用户研究，以评估人们对具有社会凝聚力的汽车的态度。我们发现，人们对有凝聚力的汽车可能犯的错误有着惊人的容忍度，以便获得驾驶汽车的好处，使其具有更安全，甚至更社会可接受的行为。
2018-08-27 cs.CY cs.HC cs.RO
Maneuver-based Trajectory Prediction for Self-driving Cars Using Spatio-temporal Convolutional Networks
University of Bonn（波恩大学）；Aptiv Services Deutschland GmbH（安波福服务德国有限公司）
预测其他车辆未来运动的能力是人类潜意识和毫不费力的技能，也是安全自动驾驶的关键。因此，自动驾驶汽车的轨迹预测近年来受到了广泛关注。然而，要达到人类水平的性能仍然是一项艰巨的任务。在动态和复杂的驾驶环境中，车辆行为和未来意图的多模态性质之间的相互依赖性使得轨迹预测成为一个具有挑战性的问题。在这项工作中，我们提出了一种新的，数据驱动的方法来预测车辆在道路环境中的运动。该模型允许推断未来的意图，从过去的互动车辆在高速公路上行驶的情况。使用我们的基于邻域的数据表示，该系统联合利用相关性在空间和时间域使用卷积神经网络。我们的系统考虑了多种可能的机动意图及其相应的运动，并预测未来五秒的轨迹。我们实施了我们的方法，并在不同国家的两个高速公路数据集上进行了评估，并且能够实现具有竞争力的预测性能。
2021-09-15 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
An LSTM-based Test Selection Method for Self-Driving Cars
Institute of Computer Science University of Tartu Tartu, Estonia；Insitute of Computer Science University of Tartu Tartu, Estonia
针对自动驾驶汽车车道保持系统的测试选择问题，提出将道路路段特征序列输入LSTM模型以区分安全与不安全测试，实验表明其准确率和精确率优于传统机器学习选择器。
2025-01-07 cs.RO cs.SE
The need of a self for self-driving cars a theoretical model applying homeostasis to self driving
本文提出一种基于稳态架构的自动驾驶汽车“自我”模型，通过内外传感器量化偏差、虚拟训练、区块链共享经验及专用语言，提升自主性、安全性与协作能力。
2024-07-19 cs.HC cs.RO
TRAVERSE: Traffic-Responsive Autonomous Vehicle Experience & Rare-event Simulation for Enhanced safety
A. James Clark School of Engineering（A.詹姆斯·克拉克工程学院）；University of Maryland at College Park（马里兰大学帕克分校）
针对自动驾驶训练缺乏罕见事故场景数据的问题，本研究搭建基于Unity的VR驾驶仿真框架，采集人类在模拟事故中的行为数据，且硬件便携轻量化，降低了自动驾驶研究的资源门槛。
2024-07-12 cs.GR cs.RO
Hope for the Best, Prepare for the Worst: Occlusion-Aware Contingency Planning for Autonomous Vehicles
KTH Royal Institute of Technology（瑞典皇家理工学院）；Traton AB（特拉顿集团）；Chalmers University of Technology（查尔姆斯理工大学）；Univeristy of Gothenburg（哥德堡大学）
针对城市环境中自动驾驶车辆面临的遮挡风险，提出正式的遮挡感知轨迹规划框架，基于可达性分析方法，集成树形运动规划器，减少保守性并保障安全，在模拟场景中验证有效性。
2026-07-07 cs.RO
Analysis of lane-change conflict between cars and trucks at merging section using UAV video data
Key Laboratory of Road and Traffic Engineering of Ministry of Education, Tongji University（同济大学道路与交通工程教育部重点实验室）；China Railway Siyuan Survey and Design Group Co., Ltd.（中铁第四勘察设计院集团有限公司）；Institute of Logistics Science and Engineering, Shanghai Maritime University（上海海事大学物流科学与工程研究院）
高速公路入口匝道合流段是交通冲突发生频率较高的路段，也是交通事故多发点。在高速公路合流段，很少有综合考虑不同车型的交通冲突分析研究。因此，本研究的主要目的是分析高速公路合流段不同车型之间的冲突。利用无人机（UAV）在上海市合流区采集了实测数据.车辆提取方法用于获得车辆轨迹。碰撞时间（TTC）被用作替代安全措施。小汽车冲突的TTC最小，卡车冲突的TTC最大。高速公路入口匝道和加速车道是交通冲突的多发地带。结果表明，不同车型间换道冲突的空间分布存在显著差异，提示机动车驾驶员尤其是小轿车驾驶员应保持安全距离。此外，为减少合流区换道冲突，建议交通管理部门在加速车道起始处将虚线车道改为实线车道。
2022-01-05 cs.RO cs.SY eess.SY
Indy Autonomous Challenge -- Autonomous Race Cars at the Handling Limits
Technical University of Munich（慕尼黑工业大学）；University of Pennsylvania（宾夕法尼亚大学）
赛车运动一直是技术进步的推动者，自动驾驶行业也是如此。TUM Auton-posious Motorsports团队将参加2021年12月的Indy Autonomous Challenge，通过在印第安纳波利斯赛车场（Indianapolis Motor Speedway）比赛十辆自动驾驶Dallara AV-21赛车中的一辆来衡量其自动驾驶软件堆栈。本文的第一部分从学术角度解释了参加自动驾驶汽车比赛的原因：它允许关注自动驾驶汽车遇到的几个边缘情况，例如具有挑战性的规避机动和非结构化场景。与此同时，由于赛车运动相关的赛道安全预防措施，它具有内在的安全性。因此，它是开发能够掌握最具挑战性和罕见情况的自动驾驶算法的理想试验场。此外，我们还提供了对软件开发工作流程的深入了解，并展示了我们的硬件在环仿真设置。它能够实时的运行多达8辆自动驾驶汽车的模拟。论文的第二部分给出了软件架构的高级概述，并涵盖了我们在构建高性能自主赛车软件方面的开发重点：最大传感器检测范围，可靠的多车辆情况处理，以及不确定性下的可靠运动控制。
2022-02-08 cs.AI cs.RO
Explainable deep learning improves human mental models of self-driving cars
Computer Science & Artificial Intelligence Laboratory (CSAIL), Massachusetts Institute of Technology（计算机科学与人工智能实验室（CSAIL），麻省理工学院）；Motional AD Inc.（Motional AD公司）；Department of Psychology and Center for Brain Science, Harvard University（心理学系和大脑科学中心，哈佛大学）；Department of Aeronautics and Astronautics, Massachusetts Institute of Technology（航空与宇航系，麻省理工学院）
提出概念包装网络（CW-Net），在真实自动驾驶车上实现可解释规划，通过因果性概念解释提升驾驶员对车辆行为的预测能力，尤其在意外场景中。
2026-06-16 cs.AI cs.LG cs.RO
Driving Experience Transfer Method for End-to-End Control of Self-Driving Cars
Electronics and Telecommunications Research Institute（电子通信研究院）
在本文中，我们提出了一种用于自动驾驶汽车端到端控制的迁移学习方法，该方法使在源域上训练的卷积神经网络（CNN）能够用于不同目标域中的相同任务。用于端到端控制的常规CNN被设计为将单个前置相机图像映射到转向命令。为了实现迁移学习，我们让CNN不仅生成转向命令，还通过添加新的任务模块来生成车道偏离水平（LDL），该任务模块将最后一个卷积层的输出作为输入。在源域（称为源网络）上训练的CNN然后被用于训练另一个任务模块（称为目标网络），该任务模块也获取源网络的最后一个卷积层的输出，并被训练以产生用于目标域的操纵命令。最后根据LDL合并来自源网络和目标网络的转向命令，并利用合并后的命令控制目标域中的汽车。为了证明所提出的方法的有效性，我们利用两个模拟器，TORCS和GTAV，分别为源和目标域。实验结果表明，该方法优于其他基线方法的稳定和安全的汽车控制。
2018-09-07 cs.CV cs.RO
Approximate LSTMs for Time-Constrained Inference: Enabling Fast Reaction in Self-Driving Cars
Imperial College London（帝国理工学院）；Samsung AI Center (SAIC)（三星人工智能中心（SAIC））
识别视频流等序列数据中的长期依赖关系的需求，使得长短期记忆（LSTM）网络成为许多新兴应用的重要人工智能模型。然而，LSTM的高计算和内存需求给其在延迟关键系统（如配备有限计算资源的自动驾驶汽车）上的部署带来了挑战。在本文中，我们介绍了一个渐进的推理计算方案，结合模型修剪和计算重组，导致最好的近似结果给定的可用延迟预算的目标应用程序。所提出的方法使任务关键型系统即使在计算的早期阶段也能基于近似LSTM推理做出明智的决策，满足其安全性和鲁棒性规范。我们在最先进的自动驾驶汽车导航驾驶模型上的实验表明，与忠实的LSTM基线相比，所提出的方法可以产生具有类似结果质量的输出，最高可快415倍（平均198倍，76倍geo。平均值）。
2019-10-30 cs.LG cs.RO eess.SP
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
An Intelligent Safety System for Human-Centered Semi-Autonomous Vehicles
Institute for Advanced Studies in Basic Sciences (IASBS)（基础科学高级研究学院）；Charles University（查理大学）；Institute for Research in Fundamental Sciences (IPM)（基础科学研究所）
如今，汽车制造商努力开发使汽车完全安全的方法。利用计算机视觉技术对驾驶员的行为进行实时监控，从而发现驾驶员的错误驾驶行为，并据此制定自动驾驶计划，避免车辆碰撞，是机器视觉和智能交通系统（ITS）研究的重要课题之一。这项研究的主要目的是防止疲劳，困倦和驾驶员分心引起的事故。为了避免这些事故，本文提出了一个集成的安全系统，连续监测驾驶员的注意力和车辆周围环境，并最终决定是否实际转向控制状态是安全的或不。为此，我们为一辆名为FARAZ的普通汽车配备了一个视觉系统，该系统由四个安装的摄像头和一个通用汽车工具组成，用于与周围工厂安装的传感器和其他汽车系统进行通信，并向执行器发送命令。所提出的系统利用使用深度卷积编码器-解码器网络的场景理解流水线和驱动器状态检测流水线。我们一直在确定和评估国内技术开发能力，特别是普通车辆，以制造智能汽车，并提供智能系统，以提高安全性，并在各种条件/情况下协助驾驶员。
2019-02-20 cs.CV cs.LG cs.RO
Probabilistic Safety-Assured Adaptive Merging Control for Autonomous Vehicles
Carnegie Mellon University（卡内基梅隆大学）
自动驾驶汽车在不同的场景中与人类驾驶员互动时面临着巨大的挑战。开发具有安全保证的控制方法，同时执行与不确定性的相互作用是一个正在进行的研究目标。在本文中，我们提出了一个实时的安全控制框架，使用双层优化与控制障碍函数（CBF），使自主自我车辆与人类驾驶的汽车在坡道合并的情况下进行交互，具有一致的安全保证。为了明确地解决运动的不确定性，我们提出了一种新的扩展控制障碍函数的概率设置与可证明的机会约束的安全性，并分析我们的控制设计的可行性。制定的双层优化框架首先需要选择自我车辆的最佳驾驶风格的安全性和主要目标，然后最小限度地修改标称控制器的情况下，二次规划的概率安全约束。这允许适应不同的驾驶策略，并为自我车辆的安全控制器提供形式上可证明的可行性保证。实验结果表明，我们所提出的方法的有效性。
2021-04-29 cs.RO
An Online Self-learning Graph-based Lateral Controller for Self-Driving Cars
McGill University（麦吉尔大学）
针对自动驾驶中传统控制器难以适应多变环境的问题，提出一种基于图神经网络的在线自学习横向控制器，通过异构图在线学习车辆模型并实时生成转向指令，在CARLA平台上验证了其有效性。
2024-10-15 cs.RO
Autonomous Navigation through intersections with Graph ConvolutionalNetworks and Conditional Imitation Learning for Self-driving Cars
The Hong Kong University of Science and Technology（香港科技大学）
在自动驾驶中，通过无信号交叉路口的导航与许多交通参与者移动是一项具有挑战性的任务。为了解决这个问题，我们提出了一种新的分支网络G-CIL的导航策略学习。具体来说，我们首先表示这样的动态环境的图形结构的数据，并提出了一个有效的策略，边缘定义聚合周围的信息，为自我车辆。然后使用图卷积神经网络作为感知模块，从环境中捕获全局和几何特征。为了生成安全高效的导航策略，我们进一步将其与条件模仿学习算法相结合，直接从专家演示中学习驾驶行为。我们提出的网络能够处理不同数量的周围车辆并生成最优控制动作（例如，转向角和油门）根据给定的高级命令（例如，向左转向全球目标）。对不同交通密度的无信号交叉口的评估表明，我们的端到端可训练神经网络优于基线，具有更高的成功率和更短的导航时间。
2021-02-01 cs.AI cs.RO
Waymo Public Road Safety Performance Data
Waymo LLC（Waymo公司）
Waymo的使命是减少交通伤害和死亡，提高所有人的流动性，这促使我们在公共道路上扩大无人驾驶汽车的部署。作为这一过程的一部分，Waymo致力于向公众提供有关Waymo自动驾驶系统（我们称之为Waymo Driver）安全性的信息和相关数据。本文中提供的数据代表了亚利桑那州凤凰城大都市区超过610万英里的自动驾驶，包括从2019日历年开始在方向盘后面有训练有素的操作员的操作，以及从2019年到2020年前9个月在方向盘后面没有人的情况下65，000英里的无人驾驶操作。这篇论文包括了在这些操作过程中经历的每一次碰撞和轻微接触，以及使用Waymo的反事实（假设）事件模拟识别的每一次预测接触，如果车辆受过训练的操作员没有脱离自动驾驶。在此期间发生了47起接触事件，包括18起实际接触事件和29起模拟接触事件，预计这些事件均不会导致严重或危及生命的损伤。本文介绍了每一实际和模拟事件的碰撞类型和严重程度，并附有描述每一最重要事件的图表。几乎所有的事件都涉及人类驾驶员或道路使用者的一次或多次违反道路规则或其他错误，包括所有八次最严重的事件，我们将其定义为涉及任何相关车辆中的实际或预期安全气囊展开。与国家碰撞统计数据相比，Waymo Driver完全避免了人类驾驶车辆经常涉及的某些碰撞模式，包括道路偏离和与固定物体的碰撞。
2020-10-30 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
Learning Responsibility-Attributed Adversarial Scenarios for Testing Autonomous Vehicles
School of Engineering and Physical Sciences, Heriot-Watt University, Edinburgh, U.K.（1 工程与物理科学学院，赫瑞-沃顿大学，爱丁堡，英国）；State Key Laboratory of Autonomous Intelligent Unmanned Systems, Tongji University, Shanghai, China（2 自主智能无人系统国家重点实验室，同济大学，上海，中国）；College of Computer Science and Technology, Jilin University, Changchun, China（3 计算机科学与技术学院，吉林大学，长春，中国）；University of Shanghai for Science and Technology, Shanghai, China（4 上海科技大学，上海，中国）；National Key Laboratory of Automotive Chassis Integration and Bionics, Jilin University, Changchun, China（5 汽车底盘集成与生物力学国家重点实验室，吉林大学，长春，中国）；Department of Civil Engineering, The University of Hongkong, Hongkong, China（6 市政工程系，香港大学，香港，中国）
本文提出CARS框架，通过整合责任归属机制，生成可解释且符合规范的安全证据，提升自动驾驶系统验证的可靠性。
2026-05-13 cs.RO cs.SE cs.SY
Learning-Based Safety-Stability-Driven Control for Safety-Critical Systems under Model Uncertainties
School of Electronics and Information Technology, Sun Yat-sen University（中山大学电子与信息工程学院）；School of Data and Computer Science, Sun Yat-sen University（中山大学数据与计算机学院）
安全性和跟踪稳定性对于自动驾驶汽车、自主移动机器人、工业机械手等安全关键系统至关重要。为了有效地控制安全关键系统，以确保其安全性并实现跟踪稳定性，通常需要精确的系统动态模型。然而，准确的系统模型并不总是在实践中。针对一类具有控制输入约束的非线性安全临界系统，在模型不确定性条件下，提出了一种基于学习的安全稳定驱动控制（LBSC）算法，以保证系统的安全性和跟踪稳定性。高斯过程（GPs）被用来学习标称模型和实际系统动态之间的模型误差，和模型误差的估计均值和方差被用来量化高置信度的不确定性界。利用此估计的不确定性界，设计了一个安全屏障约束，以确保安全，并开发了一个稳定性约束，以实现快速和准确的跟踪。然后，建议的LBSC方法制定为一个二次规划，包括安全屏障，稳定性约束，和控制约束。在模型不确定性条件下，以安全关键型互联巡航控制（CCC）系统仿真器为例，验证了LBSC方法的有效性。
2020-09-21 cs.RO
Dynamic Deception: When Pedestrians Team Up to Fool Autonomous Cars
Università della Svizzera italiana（瑞士意大利大学）
本文提出通过多个动态元素协作放大对抗信号，以引发自动驾驶车辆的系统级故障，展示动态协作在对抗攻击中的有效性。
2026-02-20 cs.CR cs.RO
Is it Safe to Drive? An Overview of Factors, Challenges, and Datasets for Driveability Assessment in Autonomous Driving
LG Silicon Valley Lab（LG硅谷实验室）
随着学习算法和硬件开发的最新进展，自动驾驶汽车在良好的驾驶条件下在结构化环境中运行时显示出了希望。然而，对于复杂、混乱和不可见的高度不确定性环境，自动驾驶系统仍然经常表现出错误或意外的行为，这可能导致灾难性的后果。自动驾驶车辆应该能够适应驾驶条件;虽然这可以通过多条路线来实现，但作为第一步，能够以某种量化的形式表征驾驶性能将是有益的。为此，本文旨在建立一个框架，调查不同的因素，可以影响驾驶性能。此外，使自动驾驶系统适应任何驾驶条件的主要机制之一是能够从代表性场景中学习和概括。目前这样做的机器学习算法主要以监督的方式学习，因此需要足够的数据来进行鲁棒和有效的学习。因此，我们还对45个公共驾驶数据集进行了比较概述，这些数据集支持学习，并在https://sites.google.com/view/driveability-survey-datasets上发布了此数据集索引。具体来说，我们根据用例对数据集进行分类，并突出显示捕获复杂和危险驾驶条件的数据集，这些数据集可以更好地用于训练鲁棒的驾驶模型。此外，通过讨论现有公共数据集未涵盖的驾驶场景以及需要更多调查和数据采集的驾驶性能因素，本文旨在鼓励有针对性的数据集收集和提出新的驾驶性能指标，以增强自动驾驶汽车在恶劣环境中的鲁棒性。
2018-11-27 cs.AI cs.RO
UAV-based Intelligent Information Systems on Winter Road Safety for Autonomous Vehicles
University of Oulu（奥卢大学）
针对冬季恶劣天气下车道宽度受限易引发自动驾驶汽车事故的问题，本研究提出含道路分割与宽度估算模型的方法，从无人机和自动驾驶汽车双视角获取信息，以提升自动驾驶汽车冬季路况下的适应与决策能力。
2024-06-18 cs.AI cs.CV cs.RO
A Systematic Study of Multi-Agent Deep Reinforcement Learning for Safe and Robust Autonomous Highway Ramp Entry
Flex（弗莱克斯公司）；University of Michigan-Dearborn（密歇根大学迪尔伯恩分校）
该研究针对全自动驾驶所需的安全鲁棒高速公路匝道汇入问题，采用博弈论多智能体深度强化学习与自博弈方法，通过多车扩展场景实验验证训练的控制器性能接近理想最优水平。
2025-01-17 cs.AI cs.LG cs.MA
Developments in Modern GNSS and Its Impact on Autonomous Vehicle Architectures
Swift Navigation（Swift Navigation公司）；Xona Space Systems（Xona空间系统公司）
本文概述了现代全球导航卫星系统（GNSS）的一些最新发展，并研究了对自动驾驶架构的可能影响。现代全球导航卫星系统目前由四个独立的全球卫星星座组成，以多种民用频率提供现代化信号。新的地面监测基础设施、数学模型和互联网服务可以在大陆范围内纠正GNSS信号中的错误。大众市场汽车级接收器芯片组以低成本、尺寸、重量和功耗（CSWaP）提供。其结果是，GNSS在2020年提供优于车道级的精确定位，在95%以上的可用性下具有99.99999%的完整性保证。在自动驾驶方面，SAE 2级部分自动驾驶汽车现在可供消费者使用，能够自动遵循车道并在人类监督下执行基本操作。此外，SAE 4级无人驾驶汽车的首批试点项目正在公共道路上进行演示。然而，自动驾驶并不是一个可以解决的问题。全球导航卫星系统可以帮助。具体而言，将高完整性GNSS车道确定纳入基于视觉的架构可以解锁车道级机动并提供监督以保证安全。将精确的GNSS集成到基于LiDAR的系统中可以解锁鲁棒性和额外的安全性和实用性。最后，GNSS通过一致的定时和参考框架为未来的V2X场景提供互操作性。
2020-04-19 cs.RO cs.SY eess.SY
Heterogeneous Vehicles Routing for Water Canal Damage Assessment
Carniege Mellon University（卡内基梅隆大学）；Massachusetts Institute of Technology（麻省理工学院）
在日本，灌溉水渠的检查大多是人工进行的。然而，随着基础设施老化，对更定期检查的需求巨大，加上可供检查的时间窗口有限，使得人工检查越来越不够用。随着检测时间的缩短和劳动力成本的降低，使用无人机（UAV）和地面车辆（汽车）的组合进行自动检测已成为人工检测的一种有吸引力的替代方案。在本文中，我们提出了一个路径规划框架，生成最佳计划的无人机和汽车检查水渠在一个大的农业区（几十平方公里）。除了最优性之外，路径还需要满足多个约束，以保证无人机的航行安全并遵守当地的交通规则。在拟议的框架中，运河和道路网络首先被建模为两个图，然后将其划分为较小的子图，给定的无人机机队可以在一次电池充电内覆盖这些子图。在图上为无人机和汽车找到最优路径的问题，受到的约束，制定为一个混合整数二次规划（MIQP）。所提出的框架还可以在当前计划中断时快速生成新计划。仿真结果表明，所提出的框架的有效性进行了验证，成功生成的计划，涵盖所有给定的运河段，并能够快速修改计划时，条件发生变化。
2018-03-07 cs.RO
Verisimilar Percept Sequences Tests for Autonomous Driving Intelligent Agent Assessment
University of Sao Paulo（圣保罗大学）
自动驾驶汽车技术有望用更安全的驾驶系统取代人类驾驶员。但是，尽管自动驾驶汽车可以变得比人类驾驶员更安全，但这是一个漫长的过程，将随着时间的推移而不断完善。在这些车辆被部署在城市道路上之前，必须确保最低的安全水平。由于自动驾驶汽车技术仍在开发中，因此没有标准方法来评估此类系统。重要的是要完全理解正在开发的技术，设计有效的手段来评估it.In本文中，我们假设安全关键系统的可靠性作为一种安全措施。我们将自主道路车辆建模为智能代理，并从人工智能的角度对其进行评估。我们的重点是评估的感知和决策系统，并提出了一个系统的方法来评估他们在车辆中的集成。我们从人工智能的最先进的模型的数据依赖性的关键方面，我们还提出了程序来重现它们。
2018-05-07 cs.AI cs.RO
Towards Safety-Aware Computing System Design in Autonomous Vehicles
University of California San Diego（加州大学圣迭戈分校）
最近，自动驾驶的发展引发了汽车制造商和技术公司之间的竞争。低水平的自动化汽车已经在商业上可用。但是，在没有人类监控的情况下自动驾驶的高度自动化车辆仍处于起步阶段。这种自动驾驶汽车（AV）依赖于汽车中的计算系统来解释环境并做出驾驶决策。因此，计算机系统的设计是必不可少的，特别是在提高驾驶安全的实现。然而，据我们所知，到目前为止，还没有明确的指导方针存在关于安全意识的AV计算系统和架构设计。为了了解AV计算系统的安全要求，我们通过在各种位置、道路条件和交通模式下运行工业4级自动驾驶车队进行了实地研究。现场研究表明，传统的计算系统性能指标，如尾部延迟，平均延迟，最大延迟，超时，不能完全满足AV计算系统设计的安全要求。为了解决这个问题，我们提出了一个“安全分数”作为衡量AV计算系统设计的安全水平的主要指标。此外，我们提出了一个感知延迟模型，它可以帮助建筑师估计给定的架构和系统设计的安全分数，而无需在AV中进行物理测试。我们通过开发和评估安全感知AV计算系统计算硬件资源管理方案来演示我们的安全评分和延迟模型的使用。
2019-05-22 cs.NE cs.RO
Cognitive Level-$k$ Meta-Learning for Safe and Pedestrian-Aware Autonomous Driving
New York University（纽约大学）
现代自动驾驶汽车的潜在市场是巨大的，因为它们的发展非常迅速。但与此同时，在过马路的情况下，也发生了自动驾驶造成行人死亡的事故。为保证自动驾驶环境下的交通安全，应对乱穿马路等车-人交互挑战，提出一种基于LK-MRL（Level- $k$）的Meta强化学习算法.它考虑了行人反应的认知层次，使自动驾驶车辆能够适应各种人类行为。%，在学习最佳策略时考虑了行人的反应。LK-MRL作为一种自动驾驶车辆算法，基于Meta强化学习和人类认知层次框架相结合，将层次$k$思想融入MAML中，为异构行人做好准备，提高交叉口安全性。我们评估的算法在两个认知对抗层次的情况下，在城市交通模拟器，并说明其在确保道路安全的作用，通过展示其能力的结构和更高层次的推理。
2023-02-01 cs.AI cs.HC cs.LG
Parallelized and Randomized Adversarial Imitation Learning for Safety-Critical Self-Driving Vehicles
Korea University（高丽大学）；Mofl Inc.（Mofl 公司）；Hallym University（翰林大学）；California State University, Long Beach（加州州立大学长滩分校）
自动驾驶汽车和自动驾驶研究作为现代人工智能应用中的主要有前途的前景一直受到相当大的关注。随着先进驾驶辅助系统（ADAS）的发展，自动驾驶汽车和自动驾驶系统的设计变得复杂和安全。一般来说，智能系统可以同时有效地激活ADAS功能。因此，必须考虑可靠的ADAS功能协调，以安全地控制驾驶系统。针对这一问题，提出了一种随机对抗模仿学习（RAIL）算法。RAIL是一种新的无导数模仿学习方法，用于协调各种ADAS功能的自动驾驶;因此，它模仿了控制具有各种ADAS功能的自动驾驶的决策者的操作。所提出的方法能够训练决策者处理激光雷达数据和控制多车道复杂公路环境中的自动驾驶。基于仿真的评估验证了所提出的方法达到了预期的性能。
2021-12-26 cs.AI cs.LG cs.RO
GLADAS: Gesture Learning for Advanced Driver Assistance Systems
Harvard University（哈佛大学）
随着自动驾驶汽车（AV）的普及，人机交互（HCI）对于生命安全至关重要。然而，几乎没有努力确保自动驾驶汽车在路上理解人类。在本文中，我们提出了GLADAS，一个基于模拟器的研究平台，旨在教自动驾驶汽车理解行人的手势。GLADAS支持基于深度学习的自动驾驶汽车手势识别系统的训练、测试和验证。我们专注于手势，因为它们是与汽车交互的原始（即自然和常见）方式。据我们所知，GLADAS是同类系统中的第一个，旨在为进一步研究人机交互提供基础设施。我们还开发了一种用于自动驾驶汽车的手势识别算法，使用GLADAS来评估其性能。我们的研究结果表明，AV理解人类手势的85.91%的时间，加强需要进一步研究人类AV互动。
2019-10-02 cs.CV cs.HC cs.LG
Understanding cyclists' perception of driverless vehicles through eye-tracking and interviews
Delft University of Technology（代尔夫特理工大学）
本研究通过Wizard-of-Oz实验结合眼动追踪和访谈，发现骑行人能自发或受指示后以93%准确率检测自动驾驶车辆中驾驶员的缺失，且检测行为影响其安全感知。
2024-12-06 cs.HC cs.RO
Re-imagining ISO 26262 in the Age of Autonomous Vehicles: Enhancing Controllability through Transferability and Predictability
Torc Robotics, Inc.（Torc机器人公司）；Reynolds & Moore（雷纳德与摩尔公司）；Critical Systems Analysis, LLC（Critical Systems Analysis LLC）
针对自动驾驶汽车缺乏人类驾驶员的问题，将ISO 26262中的可控性分解为可迁移性和可预测性两个可审计维度，并给出量化框架，以支持SAE L4/L5系统的功能安全论证。
2026-06-05 cs.AI cs.HC cs.RO
Are Automated Vehicles Safer than Manually Driven Cars?
University of Michigan（密歇根大学）
自动驾驶汽车真的比手动驾驶汽车更安全吗？如果是这样，我们怎么知道？这个问题的提出引发了一场激烈的辩论。不幸的是，在可预见的未来，有几个问题很难回答这个问题。首先，我们如何衡量安全性？第二，我们如何跟踪自动驾驶汽车（AV）的安全性？最后，我们如何确定什么是或什么不是AV？在这些问题得到解决之前，仍然很难确定自动驾驶汽车是否或何时真的比手动驾驶汽车更安全。
2019-05-16 cs.CY cs.HC cs.RO
Courteous Autonomous Cars
University of California, Berkeley（加州大学伯克利分校）
通常，自动驾驶汽车会优化安全性、效率和驾驶质量的组合。但是当我们在这种优化方面做得更好时，我们开始看到行为从过于保守变得过于激进。汽车的行为暴露了我们在其成本函数中提供的激励。在这项工作中，我们认为，汽车不是优化一个纯粹的自私的成本，但也试图礼貌的其他互动司机。我们将礼貌正式定义为目标中的一个术语，用于衡量自动驾驶汽车行为引起的另一名驾驶员成本的增加。这样的礼貌用语使机器人汽车能够意识到人类行为的可能的不合理性，并相应地进行计划。我们分析了礼貌在各种情况下的效果。例如，我们发现，礼貌的机器人汽车在与人类司机合并时会留下更多空间。此外，我们发现这样的礼貌术语可以帮助解释NGSIM数据集上的真实人类驾驶员行为。
2018-08-16 cs.LG cs.RO
Safety-Critical Human-Machine Shared Driving for Vehicle Collision Avoidance based on Hamilton-Jacobi reachability
Tsinghua University（清华大学）；University of Michigan（密歇根大学）；Central South University（中南大学）
针对车辆避碰人机共享控制中现有方法易打断驾驶员意图、冲突风险高的问题，提出基于HJ可达性分析的RL框架，仅在车辆接近CARS时介入，通过预计算可达集、驾驶员建模与权限分配策略，在实车测试中实现了有效避碰且减少人机冲突。
2025-08-31 cs.RO cs.SY eess.SY
RAGE: A Tightly Coupled Radar-Aided Grip Estimator For Autonomous Race Cars
本文提出RAGE，利用标准传感器实时估计车辆轮胎与路面摩擦，通过仿真和实车实验验证其在自动驾驶赛车横向动力学估计中的准确性。
2026-10-14 cs.RO
Model-Structured Neural Networks to Control the Steering Dynamics of Autonomous Race Cars
Professorship of Autonomous Vehicle Systems, Technical University of Munich（自动驾驶车辆系统教授职位，慕尼黑技术大学）；Department of Information Technology and Electrical Engineering (DIETI), University of Naples Federico II（信息科技与电气工程系（DIETI），那不勒斯费德里科二世大学）；Chair of Automatic Control, Department of Mechanical Engineering, TUM School of Engineering and Design（自动控制教授职位，机械工程系，慕尼黑技术大学工程与设计学院）；Department of Industrial Engineering, University of Trento（工业工程系，特伦托大学）
本文提出将非线性车辆动力学先验融入神经架构的 MS-NN-steer 转向控制器，并在 A2RL 实车数据上验证其小样本精度、泛化性与鲁棒性优势。
2025-07-27 cs.RO
On Infusing Reachability-Based Safety Assurance within Planning Frameworks for Human-Robot Vehicle Interactions
Stanford University（斯坦福大学）；Simon Fraser University（西蒙弗雷泽大学）
行动预期、意图预测和主动行为都是交互式场景中自动驾驶策略的理想特征。然而，最重要的是确保道路安全--这样做的一个关键挑战是在不过度影响规划者表现的情况下考虑人类驾驶员行为的不确定性。本文介绍了一种在自主车辆控制栈内操作的最小干预安全控制器，其作用是确保与外部控制的（例如，人驱动的）对应物，同时考虑诸如道路边界墙的静态障碍物。我们利用可达性分析来构建一个实时（100 Hz）控制器，该控制器具有双重作用：（i）使用模型预测控制从更高级别的规划算法跟踪输入轨迹，以及（ii）通过保持无碰撞逃逸机动的可用性作为持久约束来确保安全性，而不管其他汽车未来采取什么行动。一个全尺寸的线控转向平台用于进行交通交织实验，其中两辆车，最初并排，必须在有限的时间和距离内交换车道，模拟汽车合并到/关闭高速公路。我们证明，通过我们的控制堆栈，自动驾驶汽车能够避免碰撞，即使另一辆车违背规划者的期望并采取危险行动，无论是不小心还是有意碰撞，否则偏离计划轨迹的程度最小，以保持安全。
2020-12-06 cs.RO cs.SY eess.SY
On Infusing Reachability-Based Safety Assurance within Probabilistic Planning Frameworks for Human-Robot Vehicle Interactions
Department of Aeronautics and Astronautics（航空与航天系）；Department of Mechanical Engineering（机械工程系）；School of Computing Science（计算科学学院）
本文提出一种最小干预的安全控制器，用于确保自动驾驶车辆与外部控制车辆的碰撞自由交互，通过实时控制器实现轨迹跟踪和安全保证，展示了在交通交织实验中自动驾驶车辆在对手车辆违反规划预期时仍能避免碰撞。
2018-12-29 cs.RO cs.SY eess.SY
Conditional Driving from Natural Language Instructions
University of Washington（华盛顿大学）；NVIDIA（英伟达）；KTH Royal Institute of Technology（瑞典皇家理工学院）；Allen Institute for AI（艾伦人工智能研究所）
自动驾驶汽车的广泛采用不仅取决于它们的安全性，而且在很大程度上取决于它们与人类用户互动的能力。就像人类驾驶员一样，自动驾驶汽车将被期望能够理解并安全地遵循自然语言方向，这些方向会根据用户的偏好或在存在模糊性的情况下突然改变预先计划的路线，特别是在地图覆盖较差或过时的位置。为此，我们提出了一个语言为基础的驱动代理实现层次化的政策，使用经常性的层和门控注意。分层方法使我们能够根据描述长时间范围的高级语言指令和自动驾驶汽车实时控制所需的低级、复杂、连续的状态/动作空间进行推理。我们通过从人类驾驶员和导航员那里收集的真实语言数据，用有条件的模仿学习来训练我们的策略。通过CARLA框架内的定量和交互式实验，我们表明，我们的模型可以成功地解释语言指令，并安全地遵循它们，即使在推广到以前看不见的环境。代码和视频可在https://sites.google.com/view/language-grounded-driving上获得。
2019-10-16 cs.AI cs.CV cs.RO
Safe Reinforcement Learning with a Predictive Safety Filter for Motion Planning and Control: A Drifting Vehicle Example
State Key Laboratory of Industrial Control Technology, Zhejiang University（浙江大学工业控制技术国家重点实验室）；Professorship of Autonomous Vehicle Systems, Technical University of Munich（慕尼黑工业大学自主车辆系统教授职位）
提出一种结合预测安全滤波器的安全强化学习运动规划器，通过在线调整智能体动作确保自动驾驶漂移的安全与稳定，仿真显示其在跟踪误差和计算效率上优于传统方法。
2025-06-28 cs.RO
