Large Language Model-assisted Autonomous Vehicle Recovery from Immobilization
School of Environmental, Civil, Agricultural, and Mechanical Engineering（环境、土木、农业和机械工程学院）；University of Georgia（佐治亚大学）
针对自动驾驶车辆易在复杂场景滞困、现有脱困方案存在缺陷的问题，本文提出插件式LLM驱动框架StuckSolver，无需改造车辆原有架构即可实现自主或乘客引导脱困，在基准测试中取得了优异性能。
2025-11-14 cs.AI cs.RO
Resilient Cooperative Adaptive Cruise Control for Autonomous Vehicles Using Machine Learning
University of Florida（佛罗里达大学）
协同自适应巡航控制（CACC）是一种基本的互联车辆应用，它通过利用车对车（V2V）通信来扩展自适应巡航控制。CACC是众多自动驾驶汽车功能的关键组成部分，包括队列行驶、分布式路线管理等。不幸的是，恶意V2V通信可能会破坏CACC，导致字符串不稳定和道路事故。在本文中，我们开发了一种新的弹性基础设施，RACCON，用于检测和减轻对CACC的V2V攻击。RACCON使用机器学习来开发车载预测模型，该模型可以捕获异常的车辆响应并实时的执行缓解。支持RACCON的车辆可以利用CACC的高效率，而不会影响安全性，即使在潜在的敌对场景下也是如此。我们提出了广泛的实验评估，以证明RACCON的疗效。
2021-03-18 cs.CR cs.RO cs.SY
SpecGuard: Specification Aware Recovery for Robotic Autonomous Vehicles from Physical Attacks
University of British Columbia（不列颠哥伦比亚大学）
针对物理攻击破坏RAVs传感器导致任务失败的问题，提出SpecGuard技术，通过深度强化学习结合任务规范学习恢复控制策略，并利用状态重构最小化传感器扰动，实现92%的恢复成功率且无崩溃，性能开销约15%。
2024-08-27 cs.CR cs.RO cs.SY
Offline reconstruction of missing vehicle trajectory data from 3D LIDAR
激光雷达以其在测距和障碍物检测等方面的优势，已成为许多自主车辆的重要组成部分。LIDAR产生的点云具有关于周围环境的重要信息。在本文中，我们收集的轨迹数据的两车道的城市道路上使用Velodyne VLP-16激光雷达。由于数据汇集的动态性质和传感器的有限范围，这些轨迹中的一些具有缺失点或间隙。在本文中，我们提出了一种新的方法来恢复丢失的车辆轨迹数据点，使用微观交通流模型。虽然短的间隙（小于5秒）可以恢复与简单的线性回归，和较长的间隙恢复与所提出的方法，利用汽车跟随模型校准分配权重的基础上接近的间隙的已知点。Newell、Pipes、IDM和Gipps的车辆跟驰模型均采用LIDAR和NGSIM I-80数据集的地面真实轨迹数据进行了标定和测试。Gipps的校准模型产生了最好的结果。
2017-09-16 cs.RO
MARS: Defending Unmanned Aerial Vehicles From Attacks on Inertial Sensors with Model-based Anomaly Detection and Recovery
Duke University（杜克大学）
提出MARS系统，通过基于扩展卡尔曼滤波器的抗攻击状态估计和统计异常检测，快速识别无人机惯性传感器攻击并执行多阶段动态恢复，有效保障无人机存活与任务完成。
2025-05-02 cs.RO cs.SY eess.SY
A View-Dependent Adaptive Matched Filter for LADAR-Based Vehicle Tracking
General Dynamics Robotic Systems（通用动力机器人系统公司）
安装在移动平台上的LADAR可以产生大量关于周围物体和车辆的精确距离数据。我们面临的挑战是从这些原始LADAR数据推断附近车辆的位置和方向。我们提出了一种新的视角相关的自适应匹配滤波器，以获得快速和精确的测量目标车辆的姿态。我们推导出一个解析表达式的匹配函数，我们优化，以获得目标的姿态和大小。我们的算法是快速，鲁棒性和简单的实现相比，其他方法。当用作自主地面车辆上的跟踪器的测量组件时，我们能够以10 Hz的频率跟踪超过50个目标。一旦使用我们的匹配滤波器对准目标，我们就使用基于支持向量的搜索来区分车辆和其他物体。该跟踪器为我们的自主地面车辆提供了关键的传感组件，这些车辆已经积累了数百英里的道路和越野自动驾驶。
2017-09-25 cs.RO
CAR: Cross-Vehicle Kinodynamics Adaptation via Mobility Representation
George Mason University（乔治梅森大学）
提出CAR框架，利用Transformer编码器与自适应层归一化将车辆轨迹和物理配置嵌入共享潜在空间，通过最近邻共性提取实现新平台快速运动动力学适应，仅需1分钟数据即可降低预测误差达67.2%。
2026-09-23 cs.RO
MVAdapt: Zero-Shot Multi-Vehicle Adaptation for End-to-End Autonomous Driving
Interdisciplinary Program in AI, Seoul National University（人工智能交叉学科项目，首尔国立大学）
MVAdapt通过结合冻结的TransFuser++场景编码器和轻量级物理编码器，提出了一种基于物理条件的多车辆端到端自动驾驶适应框架，实现了对不同车辆的零样本转移和少量样本校准。
2026-04-13 cs.AI cs.RO
Evaluation and Optimization of Adaptive Cruise Control in Autonomous Vehicles using the CARLA Simulator: A Study on Performance under Wet and Dry Weather Conditions
Al-Ahliyya Amman University（安曼阿赫利亚大学）；University of Jordan（约旦大学）
本文在CARLA模拟器中利用深度相机和雷达传感器结合PID控制实现自适应巡航控制，研究干湿天气下的性能，结果表明雨天会降低车速、延长行驶时间，并能有效防止追尾碰撞。
2024-05-02 cs.RO cs.SY eess.SY
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
Distributed and Adaptive Algorithms for Vehicle Routing in a Stochastic and Dynamic Environment
Massachusetts Institute of Technology（麻省理工学院）；University of California at Santa Barbara（加州大学圣塔芭芭拉分校）
在本文中，我们提出了分布式和自适应算法的运动协调的一组m自主车辆。车辆运行在一个凸的环境中有界的速度，必须服务的需求，其到达时间，位置和现场服务是随机的，目标是最小化期望的系统时间（等待加服务）的需求。一般的问题被称为m-车辆动态旅行修理工问题（m-DTRP）。先前已知的最佳控制算法依赖于集中式先验任务分配，并且对于环境的变化（例如，负载条件的变化）不鲁棒;因此，它们在涉及在时变环境中操作的自主车辆的自组织网络的场景中具有有限的适用性。首先，我们提出了一类新的1-DTRP问题的政策：（i）是可证明的最佳轻，重负荷条件下，和（ii）是自适应的，特别是，他们对负载条件的变化是强大的。其次，我们表明，分区政策，即环境之间的车辆和每个车辆在自己的区域遵循一定的规则集，在重载条件下是最佳的。最后，通过结合新的一类算法的1-DTRP与适当的分区政策，我们设计的分布式算法的m-DTRP问题，（i）是空间分布的，可扩展到大型网络，并适应网络的变化，（ii）是在一个恒定的因素，在重载条件下的最佳和稳定的系统在任何负载条件下。仿真结果进行了介绍和讨论。
2009-03-20 cs.RO
Road Traffic Law Adaptive Decision-making for Self-Driving Vehicles
Tsinghua University（清华大学）；Road Traffic Safety Research Center（道路交通安全研究中心）；Beijing Institute of Technology（北京理工大学）；Carnegie Mellon University（卡内基梅隆大学）
本文提出一种基于强化学习和线性时序逻辑的道路交通法规自适应决策方法，通过法规自适应后备策略、长期动作空间监测和轨迹重规划，使自动驾驶车辆在CARLA模拟场景中有效遵守新颁布或更新的交通法规。
2023-04-19 cs.RO cs.SY eess.SY
Life-Long Multi-Task Learning of Adaptive Path Tracking Policy for Autonomous Vehicle
Beijing Institute of Technology（北京理工大学）；Delft University of Technology（代尔夫特理工大学）
提出了一种自主车辆终身自适应路径跟踪策略学习方法，该方法能够利用多任务知识进行自进化和自适应。首先，该方法可以直接从历史驾驶经验中学习无模型路径跟踪控制策略，同时学习车辆动力学特性和相应的控制策略。其次，利用终身学习的方法，该方法可以学习策略的任务增量知识，而不会遇到灾难性遗忘。因此，通过不断学习多任务知识，策略可以迭代地适应新任务，并利用来自新任务的知识提高其性能。第三，采用记忆评估和更新方法优化记忆结构，使策略能够向选定的方向学习。在复杂曲线路面上，使用高保真车辆动力学模型进行实验，以评估所提出的方法的性能。实验结果表明，该方法能有效地利用连续多任务知识进行进化，并适应新的环境，进化后的性能优于两种常用的基线方法。
2021-09-15 cs.RO cs.SY eess.SY
Modelling and Analysis of Car Following Algorithms for Fuel Economy Improvement in Connected and Autonomous Vehicles (CAVs)
The Ohio State University（俄亥俄州立大学）
地面车辆的连接允许车辆彼此共享关键的车辆数据，例如车辆加速度。另一方面，使用诸如相机、雷达和激光雷达的传感器，可以检测领头车辆和主车辆之间的车内距离以及相对速度。协同自适应巡航控制（CACC）建立在地面车辆连接和传感器信息的基础上，形成具有自动车辆跟随的车队。CACC还可用于提高所述车队中车辆的燃油经济性和机动性。本文提出了三种CAV燃油经济性跟驰算法。设计了一种自适应巡航控制（ACC）算法作为比较基准模型。设计了一种协同式自适应巡航控制系统（CACC），该系统利用V2 V接收到的前车加速度进行跟车控制。开发了生态协同自适应巡航控制（Eco-CACC）模型，将不稳定的领先车辆加速度视为要衰减的干扰。设计了一种高水平控制器，用于当领头车辆是一个不稳定的驾驶员时进行决策。运行模型在环（MIL）和硬件在环（HIL）仿真来测试这些车辆跟随算法的燃油经济性性能。结果表明，HL控制器能够获得一个平稳的速度剖面，通过使用CACC和生态CACC比ACC对应的消耗更少的燃料时，领先的车辆不稳定。
2022-03-25 cs.RO cs.SY eess.SY
Post-Collision Trajectory Restoration for a Single-track Ackermann Vehicle using Heuristic Steering and Tractive Force Functions
本文提出了一种基于启发式转向和牵引力函数的碰撞后轨迹恢复方法，用于单轴Ackermann车辆模型，以提高自动驾驶车辆在碰撞后的路径恢复能力。
2026-02-09 cs.RO cs.SY eess.SY
System Identification and Adaptive Input Estimation on the Jaiabot Micro Autonomous Underwater Vehicle
本文提出了一种自适应输入估计算法，用于估计Jaiabot微型自主水下机器人的未知控制输入和状态，相比经典卡尔曼滤波具有更优的处理能力。
2025-04-01 cs.RO cs.SY eess.SY
System-Level Safety Monitoring and Recovery for Perception Failures in Autonomous Vehicles
NVIDIA Research（英伟达研究院）；University of Southern California（南加州大学）
针对自动驾驶感知故障的系统级安全推理难题，提出SPARQ Q网络评估规划安全性并给出修正方案，在NuPlan-Vegas数据集上实现90%准确率与召回率及42Hz实时性能，优于主流可达性基线。
2024-10-06 cs.RO
Online Adaptation of Learned Vehicle Dynamics Model with Meta-Learning Approach
Toyota Research Institute（丰田研究所）；Toyota Motor Corporation（丰田汽车公司）
本研究针对自动驾驶车辆动力学模型在未知环境下的在线适应问题，提出应用 Continual-MAML 元学习方法，使模型在不遗忘旧环境的前提下快速适应新环境，实验证明其在测试集损失和 MPPI 控制器在线跟踪性能上均优于固定模型和梯度下降方法。
2024-09-23 cs.RO
Adaptive twisting sliding mode control for quadrotor unmanned aerial vehicles
本文提出自适应扭曲滑模控制算法，用于四旋翼无人机在非线性、扰动和参数变化下的姿态控制，通过改进滑模律和增益自适应方案提升控制性能。
2018-06-05 cs.RO cs.SY eess.SY
A novel framework for adaptive stress testing of autonomous vehicles in multi-lane roads
提出一种多车道场景下自动驾驶车辆自适应压力测试新框架，通过新奖励函数引导深度强化学习识别碰撞风险，实验证明优于现有方法。
2024-09-19 cs.AI cs.RO
Neural Network and ANFIS based auto-adaptive MPC for path tracking in autonomous vehicles
IBISC-EA4526, Université Paris-Saclay, Évry, France（IBISC-EA4526，巴黎-萨克雷大学，埃夫里，法国）
针对自动驾驶横向控制中经典控制器在不确定环境下失效的问题，本文提出一种由改进粒子群优化整定、通过神经网络和ANFIS在线自适应参数的MPC控制器，并在三车道变换和轨迹跟踪场景中验证了其优于标准MPC的性能。
2025-09-21 cs.RO math.OC
Driving-Policy Adaptive Safeguard for Autonomous Vehicles Using Reinforcement Learning
Tsinghua University（清华大学）；University of Michigan（密歇根大学）
诸如高级紧急制动（AEB）提供的保护功能可以为自动驾驶车辆（AV）提供另一层安全。智能安全保护功能应根据驾驶策略调整激活条件，以避免不必要的干预并提高车辆安全性。提出了一种驾驶策略自适应安全防护系统的设计方案，包括避碰策略和激活函数。避碰策略是在一个强化学习框架中设计的，通过蒙特卡罗树搜索（MCTS）获得。它可以从过去的碰撞中学习，并在随机交通中操纵制动和转向。驾驶策略自适应激活函数应动态评估当前驾驶策略风险，并在检测到紧急威胁时启动。为了生成这个激活函数，MCTS的探索和推出模块被设计成全面评估AV的当前驾驶策略，然后探索其他更安全的动作。在这项研究中，DPAS验证了两个典型的高速公路驾驶政策。在随机性和攻击性的模拟交通中，通过和90，000次获得结果。结果是校准的自然驾驶数据，并表明，所提出的保障措施，减少碰撞率显着，而不引入更多的干预措施，与国家为基础的基准保障措施。总之，所提出的保障措施在随机和紧急情况下利用基于学习的方法，并对驾驶策略施加最小的影响。
2020-12-02 cs.AI cs.RO
An Adaptive Coverage Control Approach for Multiple Autonomous Off-road Vehicles in Dynamic Agricultural Fields
Dept. of Electrical and Computer Engineering, The University of Memphis, Memphis, TN 38152 USA（电气与计算机工程系，密苏里州孟菲斯大学）
本文提出一种自适应覆盖控制方法，利用无人机检测障碍物和地形，动态调整越野无人地面车辆的覆盖路径，以应对动态农业环境，仿真验证了其提高效率并保持稳健覆盖。
2025-09-08 cs.RO cs.SY eess.SY
Learning When to Use Adaptive Adversarial Image Perturbations against Autonomous Vehicles
Stevens Institute of Technology（史蒂文斯理工学院）；University of Nevada, Reno（内华达大学雷诺分校）
用于使用相机图像的目标检测的深度神经网络（DNN）模型在自动驾驶车辆中被广泛采用。然而，DNN模型被证明容易受到对抗性图像扰动的影响。在现有的生成对抗性图像扰动的方法中，优化将每个输入图像帧作为决策变量来生成图像扰动。因此，给定一个新的图像，通常计算昂贵的优化需要重新开始，因为在独立的优化之间没有学习。很少有方法被开发用于攻击在线图像流，同时考虑自动驾驶车辆的基本物理动力学，它们的任务和环境。我们提出了一个多层次的随机优化框架，监测攻击者的能力产生的对抗性扰动。在此基础上，提出了一种二叉决策攻击/非二叉决策攻击，以提高攻击者的攻击效率。我们评估我们提出的多层次图像攻击框架，使用视觉引导的自动驾驶汽车和实际测试的模拟与一个小型室内无人机在办公室环境中。结果表明，我们的方法的能力，实时生成的图像攻击，同时监测时，攻击者精通给定的状态估计。
2023-03-15 cs.CV cs.RO
EcoFusion: Energy-Aware Adaptive Sensor Fusion for Efficient Autonomous Vehicle Perception
University of California, Irvine（加州大学欧文分校）
本文提出EcoFusion能量感知自适应传感器融合方法，利用上下文动态调整融合策略，在Nvidia Drive PX2平台上以约60%更少能耗和58%更低延迟实现最高9.5%的目标检测性能提升。
2022-02-23 cs.CV cs.RO cs.SY
Adaptive Cruise Control in Autonomous Vehicles: Challenges, Gaps, Comprehensive Review, and, Future Directions
KLE Technological University（KLE理工大学）
本文针对现有自适应巡航控制（ACC）综述缺乏挑战与解决方案全面分析的不足，系统梳理ACC研究空白，提出未来方向与创新方法，助力下一代ACC系统研发及可持续高韧性城市交通实现。
2025-09-30 cs.RO cs.SY eess.SY
Self-Healing Visual Recovery for Autonomous Ground Vehicles Using Camera-Only Visual Odometry
Simula Research Laboratory（Simula研究实验室）；University of Oslo（奥斯陆大学）
研究低成本无人地面车辆仅靠摄像头视觉导航时标线丢失的恢复问题，提出轻量级两阶段恢复方法，结合多种视觉工具，在模拟课程中评估，该方法成功率高，证明仅靠摄像头在成本和计算限制内实现可靠视觉恢复可行。
2026-07-14 cs.LG cs.RO cs.SE
Adaptive Probabilistic Vehicle Trajectory Prediction Through Physically Feasible Bayesian Recurrent Neural Network
University of California, Berkeley（加州大学伯克利分校）
概率车辆轨迹预测对于自动驾驶的鲁棒安全性至关重要。目前的长期轨迹预测方法不能保证预测分布的物理可行性。此外，它们的模型不能适应预测的目标人类驾驶员的驾驶策略。在这项工作中，我们建议克服这两个缺点的贝叶斯循环神经网络模型组成的贝叶斯神经网络为基础的政策模型和已知的物理模型的情况下。贝叶斯神经网络可以集成复杂的输出分布，使轨迹分布族丰富。嵌入式物理模型保证了分布的可行性。此外，所采用的基于梯度的训练方法允许直接优化，以在长预测范围内获得更好的性能。设计了一种基于粒子滤波的参数自适应算法，使策略贝叶斯神经网络在线适应预测目标。通过一个具有多模态随机反馈增益和自然跟驰数据的玩具算例验证了所提方法的有效性。
2019-11-11 cs.LG stat.ML
AdaptAV: Continuous Adaption of Vision Models for Autonomous Vehicles Using Cloud-based Oracle
North Carolina State University（北卡罗来纳州立大学）
该研究针对自动驾驶汽车视觉模型泛化差的问题，提出AdaptAV系统，利用云端专家模型指导车载模型的持续重新训练，以逐步提升感知推理精度。
2026-09-01 cs.CV cs.LG
Cross-Platform Control for Autonomous Surface Vehicles via Adaptive Reinforcement Learning
Institute for Dynamic Systems and Control（动态系统与控制研究所）
提出一种自适应强化学习方法，通过教师-学生架构学习平台动力学隐表征，实现单策略零样本跨平台轨迹跟踪，在真实实验中误差降低58%。
2026-07-03 cs.LG cs.RO
ReDiffNet: Differential RGB-Infrared Learning for Low-Light UAV Oriented Vehicle Detection
Dalian Maritime University（大连海事大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Hubei University of Economics（湖北经济学院）
ReDiffNet通过可靠性条件化的差分表示网络，解决低光无人机RGB-红外定向车辆检测中模态可靠性变化和小目标挑战，在DroneVehicle和VEDAI上分别达到85.3%和73.9%的mAP50。
2026-10-06 cs.LG
REVIVE: A Multi-Modal Framework for Vandalism Detection and Recovery in Autonomous Vehicles
University of the Pacific（太平洋大学）
研究自动驾驶车辆中破坏行为导致的遮挡攻击问题，提出REVIVE多模态框架，集成多种检测与恢复方法，如二进制VOA检测、多类VOA模式识别等，实验表明该框架能有效恢复图像，提升目标检测指标，提供结构化恢复方案。
2026-07-08 cs.CV cs.LG
Network-Constrained Policy Optimization for Adaptive Multi-agent Vehicle Routing
York University（约克大学）
城市道路网络的交通拥堵导致出行时间延长和排放增加，特别是在高峰期。虽然最短路径优先（SPF）算法对于静态网络中的单个车辆是最佳的，但它在动态多车辆设置中表现不佳，通常会通过沿相同路径路由所有车辆来加剧拥堵。我们通过一个多智能体强化学习（MARL）框架来解决动态车辆路由问题，以实现协调的网络感知车队导航。我们首先提出了自适应导航（AN），一个分散的MARL模型，其中每个交叉口代理提供基于（i）本地交通和（ii）使用图注意力网络（GAT）建模的邻域状态的路由指导。为了提高在大型网络的可扩展性，我们进一步提出了分层集线器为基础的自适应导航（HHAN），AN的扩展，只分配代理的关键路口（枢纽）。车辆在代理控制下按中心到中心进行路由，而SPF处理每个中心区域内的微路由。对于枢纽协调，HHAN在注意力Q混合（A-QMIX）框架下采用集中式训练与分散式执行（CTDE），通过注意力聚合异步车辆决策。集线器代理使用流量感知状态功能，结合本地拥塞和预测动态主动路由。在合成网格和真实城市地图（多伦多，曼哈顿）上的实验表明，与SPF和学习基线相比，AN减少了平均旅行时间，保持了100%的路由成功率。HHAN可扩展到具有数百个交叉口的网络，在交通繁忙的情况下实现高达15.9%的改善。这些研究结果突出了网络约束MARL在智能交通系统中可扩展，协调和感知路由的潜力。
2025-10-30 cs.AI cs.LG cs.MA
