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
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
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
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
Interaction-Aware Vehicle Motion Planning with Collision Avoidance Constraints in Highway Traffic
Kyungpook National University（庆北国立大学）
本文针对高速公路自动驾驶中的车辆交互问题，提出一种将周围车辆轨迹与避撞约束耦合的最优控制框架，并基于庞特里亚金极小值原理实现轨迹优化，仿真验证了其有效性。
2024-04-02 cs.RO cs.SY eess.SY
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
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
Optimization-Based On-Road Path Planning for Articulated Vehicles
KTH Royal Institute of Technology（瑞典皇家理工学院）；Linköping University（林雪平大学）；Scania CV AB（斯堪尼亚汽车公司）
在狭窄的道路延伸段上操纵铰接式车辆对于人类驾驶员来说通常是一项具有挑战性的任务。除非车辆被准确地转向，否则车身的一部分可能会超出其指定的车道，从而增加与周围交通碰撞的风险。在这项工作中，提出了一种基于优化的路径规划算法，针对道路上行驶的情况下，铰接车辆组成的牵引车和拖车。为此，我们在适合道路规划的道路对齐坐标系中对牵引车-拖车车辆进行建模。基于驾驶行为学，提出了一组不同的优化目标，其总体目标是设计一个路径规划器，该路径规划器计算最小化车身扫掠区域的偏离轨道的路径，同时保持在道路上并避免与障碍物碰撞。使用最具挑战性的牵引车拖车尺寸，在一组复杂且实际相关的道路规划场景的模拟中评估和分析了所提出的基于优化的路径规划算法以及不同的优化目标。
2020-05-11 cs.RO cs.SY eess.SY
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
An Integrated Framework of Decision Making and Motion Planning for Autonomous Vehicles Considering Social Behaviors
School of Mechanical and Aerospace Engineering, Nanyang Technological University（南洋理工大学机械与宇航工程学院）
提出了一种新的综合方法，以处理的决策和运动规划的自动驾驶汽车（AV）的车道变换操纵考虑周围交通乘员的社会行为。通过驾驶风格和周围车辆的意图来反映，在建模过程中考虑了社会行为。然后，应用Stackelberg博弈理论解决决策问题，将其转化为一个非合作博弈问题。此外，在运动规划模型中引入势场，利用不同的势函数来描述周围车辆的不同行为和道路约束。然后，利用模型预测控制（MPC）来预测自主车辆的状态和轨迹。最后，决策和运动规划，然后集成到一个有约束的多目标优化问题。考虑到周围车辆的不同社会行为的三个测试场景进行了验证所提出的方法的性能。测试结果表明，该集成方法能够解决与其他交通参与者的不同社会互动，为自动驾驶汽车做出正确、安全的决策和规划，证明了其可行性和有效性。
2020-05-22 cs.RO cs.SY eess.SY
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
Motion Planning and Tracking Control of Unmanned Underwater Vehicles: Technologies, Challenges and Prospects
University of Guelph（圭尔夫大学）
无人水下航行器（UUV）的运动规划与跟踪控制技术是实现UUV高效、鲁棒导航的基础，对于水下救援、设施维护、海洋资源勘探、水上娱乐等具有重要意义。UUV运动规划与跟踪控制的研究在国内外得到了迅速发展。多UUV系统的任务分配、UUV路径规划和UUV轨迹跟踪。本文对UUV的运动规划和跟踪控制的传统技术和智能技术进行了全面的综述。这些不同的方法在文献中的优点和缺点的分析。最后，展望了UUV运动规划和跟踪控制的发展前景。
2022-07-10 cs.RO cs.SY eess.SY
A Geometric Approach to On-road Motion Planning for Long and Multi-Body Heavy-Duty Vehicles
Scania CV AB（斯堪尼亚CV公司）
与乘用车相比，驾驶重型车辆，例如公共汽车和牵引车拖车车辆是一项艰巨的任务。大多数关于自动驾驶车辆运动规划的研究都集中在乘用车上，与重型车辆相关的许多独特挑战仍然存在。然而，最近的工作已经开始解决的特殊困难，道路上的运动规划的公共汽车和牵引车拖车车辆使用数值优化方法。在这项工作中，我们提出了一个框架来设计一个优化目标，用于运动规划。基于几何推导，该方法找到了最佳的权衡之间的冲突目标的中心不同轴的车辆在车道上。对于公共汽车，我们考虑前轴和后轴的权衡，而对于铰接式车辆，我们考虑牵引车和拖车后轴的权衡。我们的研究结果表明，所提出的设计策略的结果规划的路径，大大提高了重型车辆的行为，保持整个车身在车道的中心。
2020-10-15 cs.RO cs.SY eess.SY
Prioritized experience replay-based DDQN for Unmanned Vehicle Path Planning
Peking University（北京大学）；Northeastern University（东北大学）；New York University（纽约大学）
针对传统算法在复杂环境下易陷入死区的问题，提出结合优先经验回放的DDQN路径规划算法，实验证明其在速度、准确性和突破死区能力上显著优于其他方法。
2024-06-25 cs.RO cs.SY eess.SY
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
Optimization-Based Motion Planning for Autonomous Agricultural Vehicles Turning in Constrained Headlands
University of California, Davis（加利福尼亚大学戴维斯分校）
针对自主农业车辆在狭窄不规则地头转弯困难的问题，提出一种基于优化的运动规划算法，在田间几何与障碍物约束下生成平滑无碰撞的转弯轨迹。
2024-06-11 cs.RO cs.SY eess.SY
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
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
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
Decoupled Sampling Based Planning Method for Multiple Autonomous Vehicles
Linköping University（林雪平大学）
本文提出了一种基于采样的规划算法来控制自动驾驶车辆。提出了一种改进的快速搜索随机树，其中包括K-最近点的定义，并提出了一个两阶段的采样策略来调整RRT在其他执行机动，同时避免碰撞。仿真结果表明了该算法的成功性。
2017-02-11 cs.RO
Network Localization Based Planning for Autonomous Underwater Vehicles with Inter-Vehicle Ranging
Massachusetts Institute of Technology（麻省理工学院）
一群AUV之间的定位可以完全通过使用邻近AUV之间的距离测量来估计，通过一类通常被称为传感器网络定位的技术。然而，定位质量取决于网络拓扑结构，退化的拓扑结构，被称为低刚性配置，导致模糊或高度不确定的定位结果。本文提出了基于刚性的分析，规划和控制的多AUV网络，占传感器噪声和有限的传感范围的工具。我们在几个二维模拟环境中评估了我们的长期规划框架，并表明我们能够在可行的时间内生成路径，并在路径的整个过程中保证最小的网络刚性。
2020-10-06 cs.RO
A Tutorial On Autonomous Vehicle Steering Controller Design, Simulation and Implementation
Toyota Technological Institute（丰田工业大学）
在本教程中，我们详细介绍了用于自动驾驶汽车的自动停车和路径跟踪的简单控制器，为曲率计算提供了实用的方法。
2021-07-13 cs.RO
Autonomous Vehicles: Open-Source Technologies, Considerations, and Development
McMaster University（麦克马斯特大学）
自动驾驶汽车是传感器技术、人工智能（AI）、网络等许多领域进步的顶峰。本文将向读者介绍制造自动驾驶汽车的技术。它将专注于自动驾驶汽车开发的开源工具和库，使开发人员和研究人员更便宜，更容易参与该领域。所涉及的主题如下。首先，我们将讨论自动驾驶汽车中使用的传感器，并总结它们在不同环境、成本和独特功能下的性能。然后，我们将介绍同时定位与地图构建（SLAM）和每种模态的算法。第三，我们将回顾流行的开源驾驶模拟器，这是一种经济有效的训练机器学习模型和测试车辆软件性能的方法。然后，我们将重点介绍嵌入式操作系统，以及在选择嵌入式操作系统时的安全性和开发注意事项。之后，我们将讨论车对车（V2V）和车联网（IoV）通信，这是将网络技术与自动驾驶汽车融合以扩展其功能的领域。然后，我们将回顾车辆自动化的五个级别，商业和开源高级驾驶辅助系统及其功能。最后，我们将涉及该领域的主要制造和软件公司，他们的投资和合作伙伴关系。这些主题将使读者了解该行业，其技术，积极的研究以及开发人员可用于构建自动驾驶汽车的工具。
2023-02-14 cs.RO
Autonomous Vehicle Benchmarking using Unbiased Metrics
University of California, San Diego（加州大学圣迭戈分校）
随着自动驾驶汽车技术的最新发展，人们积极努力在不同规模上部署这项技术，包括城市和公路驾驶。虽然展示的许多原型已被证明在特定情况下可以运行，但人们几乎没有努力更好地了解它们的缺点以及对新领域的可推广性。在自动驾驶期间执行的手动脱离的距离、距离和数量提供了关于自动驾驶系统性能的高层次概念，但如果没有适当的数据标准化、测试位置信息和参与测试的车辆数量，单独的脱离报告并不能完全涵盖系统性能和鲁棒性。因此，在这项研究中，一套完整的指标适用于基准自动驾驶汽车系统在各种情况下，可以扩展与人类驾驶员和其他自动驾驶汽车系统进行比较。这些指标已被用于在微交通和自动邮件递送应用的早期部署期间对加州大学圣地亚哥分校的自动驾驶汽车平台进行基准测试。
2020-09-11 cs.RO
Risk-Aware Planning and Assignment for Ground Vehicles using Uncertain Perception from Aerial Vehicles
Virginia Tech（弗吉尼亚理工大学）；University of Maryland（马里兰大学）
我们提出了一个风险意识框架，多机器人，多需求的分配和规划在未知的环境。我们的动机是灾难响应和搜索和救援场景，地面车辆必须尽快到达需求地点。我们考虑一个设置，地形信息仅在空中的形式，地理参考图像。深度学习技术可用于航空图像的语义分割，以创建用于安全地面机器人导航的成本图。这样的分割可能仍然是有噪声的。因此，我们提出了一个联合规划和感知框架，占由于嘈杂的感知引入的风险。我们的贡献是双重的：（i）我们展示了如何使用贝叶斯深度学习技术在感知层面提取风险;（ii）使用风险理论度量CVaR进行风险感知规划和分配。首先从理论上建立了管道模型，然后通过两个数据集进行了实证分析。我们发现，在这两个层次的风险会计产生量化的安全路径和任务。
2020-09-03 cs.RO
Vehicle Top Tag Assisted Vehicle-Road Cooperative Localization For Autonomous Public Buses
Harbin Cambridge University（哈尔滨剑桥大学）
针对自动驾驶公交车在复杂交叉路口场景下的定位难题，提出车顶标签辅助车路协同定位方法，并给出标签检测与定位的具体解决方案，仿真验证了其有效性且具备广泛扩展潜力。
2025-08-08 cs.RO
JKU-ITS Automobile for Research on Autonomous Vehicles
Johannes Kepler University Linz（林茨约翰内斯·开普勒大学）；UAS Technikum Wien（维也纳技术应用科学大学）
在本文中，我们提出了我们的自动驾驶研究的全新平台。所选择的车辆是丰田的RAV4混合动力SUV，配备有外感受传感器，如多层激光雷达，单目摄像头，雷达和GPS;以及本体感受传感器，如编码器和9-DOF IMU。这些传感器通过在Linux 20.04下运行ROS 1的主计算机集成在车辆中。此外，我们安装了一个名为Comma Two的开源ADAS，它运行Openpilot来控制车辆。该平台目前正用于自动驾驶汽车、人与自动驾驶汽车交互、人为因素和能源消耗等领域的研究。
2023-01-16 cs.RO
Simulating Crowds and Autonomous Vehicles
University of Sheffield（谢菲尔德大学）
了解人们如何看待自动驾驶汽车并与之互动，对于指导未来的研究方向非常重要。其中一种帮助理解的方法是通过模拟涉及人和自动驾驶车辆的虚拟环境。我们提出了一个模拟模型，将人和自动驾驶汽车在一个共享的城市空间。该模型能够实时模拟数千人和车辆。这是通过使用GPU硬件，并通过一个新的线性规划求解器优化的GPU上的大量问题。该模型比同等的多核CPU模型快30倍。
2020-08-25 cs.RO
"Curse of rarity" for autonomous vehicles
University of Michigan（密歇根大学）；University of Michigan Transportation Research Institute（密歇根大学交通研究所）；Mcity
在本文中，我们揭示了高维驾驶环境中安全关键事件的罕见性是自动驾驶汽车开发安全挑战的根本原因。我们将其表述为“稀有诅咒”（CoR），因为它普遍存在于各种安全关键系统中，如医疗诊断和航空航天系统。
2022-09-26 cs.RO
A Tutorial on Sim-ATAV: Simulation-based Adversarial Testing Framework for Autonomous Vehicles
Arizona State University（亚利桑那州立大学）
在模拟环境中测试自动驾驶汽车至关重要。Sim-ATAV是一个开源框架，用于在仿真环境中试验不同的测试生成技术以供研究。本文档提供了一个Sim-ATAV的教程，并提供了一个运行示例。
2019-03-26 cs.RO
Dolphin: a task orchestration language for autonomous vehicle networks
Faculdade de Engenharia da Universidade do Porto（波尔图大学工程学院）；CRACS/INESC-TEC；Faculdade de Ciências da Universidade do Porto（波尔图大学理学院）
我们提出了海豚，可扩展的程序设计语言的自动驾驶汽车网络。Dolphin程序表达了为多个车辆组成定义的任务的协调执行。基于基本的单车辆任务的基本情况，内置的操作符包括支持以多种形式组成任务，例如根据并发，顺序或基于事件的任务流。该语言被实现为Groovy DSL，便于扩展和与外部软件包集成，特别是机器人工具包。本文描述了Dolphin语言，其与自动驾驶车辆的开源工具链的集成，以及使用无人水下航行器（UUV）和无人机（UAV）进行现场测试的结果。
2018-07-26 cs.RO
Real-time Motion Planning for autonomous vehicles in dynamic environments
University of North Texas（北得克萨斯大学）
针对动态环境中移动障碍物带来的轨迹规划挑战，提出一种结合路径密度优化与分层运动规划（全局A*与局部时间弹性带）的鲁棒算法，仿真验证其有效性与通用性。
2025-01-20 cs.RO
On Designing Computing Systems for Autonomous Vehicles: a PerceptIn Case Study
PerceptIn Inc.（PerceptIn公司）；South China University of Technology（华南理工大学）
PerceptIn在全球范围内开发和商业化用于微型移动的自动驾驶汽车。本文对PerceptIn的开发和运营经验进行了全面的总结。本文提供了我们产品背后的商业故事，并介绍了我们的车辆计算系统的发展。我们说明了计算系统的设计决策，并显示本地化工作负载卸载到FPGA平台上的优势。
2020-11-12 cs.RO
Sparse 3D Topological Graphs for Micro-Aerial Vehicle Planning
ETH Zürich（苏黎世联邦理工学院）
微型飞行器（MAVs）具有在三维空间中自由移动的优点。然而，创建紧凑和稀疏的地图表示，可以有效地用于规划这样的机器人仍然是一个悬而未决的问题。在本文中，我们从嘈杂的传感器数据构建的地图，并构建一个稀疏的图形包含拓扑信息，可用于三维规划。我们使用欧几里德有符号距离场，提取三维广义沃罗诺伊图（GVD），并获得一个薄的骨架图表示的拓扑结构的环境。然后，我们将这个骨架图转换为稀疏图，我们表明它可以抵抗噪声和分辨率的变化。我们在这个图上展示了全局规划，以及它提供的比其他常见规划方法快的数量级。我们验证了我们的规划算法在实际地图上内置的MAV，使用RGB-D传感。
2018-07-24 cs.RO
A Hybrid Control Design for Autonomous Vehicles at Uncontrolled Intersections
Stanford University（斯坦福大学）；UC Berkeley（加州大学伯克利分校）
随着自动驾驶汽车（AV）越来越接近现实，接受的核心要求将是在日常驾驶情况下赢得人类的信任。特别是，自动驾驶汽车和行人之间的互动非常重要，因为每个人在一天中的某个时候都是行人。本文考虑了行人和自动驾驶车辆在中间街区的相互作用，无信号交叉口，行人何时应该穿过，车辆何时以及如何屈服是模糊的。通过通过间隙接受的概念对行人行为进行建模，作者表明，仅具有四种不同模式的混合控制器允许自动驾驶车辆在可能的人行横道进入行为的连续范围内与行人成功互动。通过大量的仿真验证控制器，并与替代POMDP解决方案和实验结果提供了一个虚拟行人的研究车辆。
2019-02-02 cs.RO
Distributed Multi-Target Tracking for Autonomous Vehicle Fleets
Stanford University（斯坦福大学）
我们提出了一个可扩展的分布式目标跟踪算法的基础上交替方向的乘法器，非常适合于车队的自动驾驶汽车通过车辆到车辆的网络进行通信。每个感测车辆与其邻居通信以执行类似卡尔曼滤波器的更新的迭代，使得每个代理的估计近似于集中式最大后验估计，而不需要测量的通信。我们表明，我们的方法优于共识卡尔曼滤波器在恢复集中估计给定一个固定的通信带宽。我们还在高保真城市驾驶模拟器（CARLA）中演示了该算法，其中连接在时变通信网络上的50辆自动驾驶汽车使用车载摄像头跟踪50辆目标车辆的位置和速度。
2020-04-13 cs.RO
Towards Explainability in Modular Autonomous Vehicle Software
University of Pennsylvania（宾夕法尼亚大学）
安全关键的自治系统需要可信和透明的决策过程才能在现实世界中部署。机器学习的进步引入了高性能，但主要是通过黑盒算法。我们专注于讨论自动驾驶汽车（AV）的可解释性。作为一个安全关键系统，自动驾驶汽车提供了利用尖端机器学习技术的独特机会，同时要求决策的透明度。在事后分析中，AV采取的每一个行动的可解释性变得至关重要，其中可能需要进行责任分配。在本文中，我们提供了研究人员如何考虑将可解释性和可解释性纳入独立的自动驾驶汽车模块（包括感知，规划和控制）的设计和优化中的定位。
2022-12-01 cs.RO
