Driving Context-guided Model Predictive Planning and Control for Autonomous Car Racing at the Limit and Beyond
University of Modena and Reggio Emilia（摩德纳和雷焦艾米利亚大学）；Hipert S.r.l.（Hipert 有限责任公司）
本文提出一种基于模型预测控制的赛车运动规划与控制流水线，通过成本混合状态机适应超车、正常驾驶和反向转向等情境，并在Superformula EAV-25赛车上验证，圈速接近人类最佳成绩的2%以内。
2026-09-14 cs.RO cs.SY eess.SY
Autonomous Driving System Design for Formula Student Driverless Racecar
Beijing Institute of Technology（北京理工大学）
本文总结了自行研制的一辆方程式学生自主赛车的自主系统，包括检测系统和路径跟踪控制器。提出了一种激光雷达与视觉协同检测作为轨道标志的交通锥的方法。赛车的检测算法还实现了一种结合GPS-INS数据和LIDAR测距的高精度、高速率定位方法。同时建立了包含视锥位置和颜色信息的轨迹图。最后，在闭环轨道上对系统和车辆的性能进行了测试。本文还简要介绍了2017年方程式学生自主竞赛（FSAC）。
2018-09-19 cs.AI cs.RO
Fast and Modular Autonomy Software for Autonomous Racing Vehicles
Carnegie Mellon University（卡内基梅隆大学）；Cornell University（康奈尔大学）；Massachusetts Institute of Technology（麻省理工学院）；University of Pittsburgh（匹兹堡大学）；Rochester Institute of Technology（罗切斯特理工学院）；University of Waterloo（滑铁卢大学）
本文介绍了MIT-Pitt-RW团队在IAC自动驾驶赛车中的模块化自主软件栈，涵盖智能体检测、运动规划与控制，并在Dallara AV-21平台上验证了性能与改进方向。
2024-08-27 cs.AI cs.RO cs.SE
A Gaussian Process Model for Opponent Prediction in Autonomous Racing
University of California, Berkeley（加州大学伯克利分校）
在头对头赛车中，需要对方目标车辆（TV）的交互行为的精确模型来执行严格约束但高度奖励的机动动作，例如超车。然而，这样的信息通常是不提供竞争的情况下，因此，我们建议构建一个预测和不确定性模型，从以前的比赛的电视数据。具体而言，在闭环交互数据上训练一步高斯过程（GP）模型，以学习由未知策略驱动的TV的行为。标称轨迹的预测和相关的不确定性经由基于采样的方法推出，并且在自我车辆的模型预测控制（MPC）策略中使用，以便在尝试对TV进行超车操纵时智能地在安全性和性能之间进行权衡。我们证明了基于GP的预测器在闭环与MPC政策在模拟比赛中，并比较其性能对几个预测文献。在蒙特卡洛研究中，我们观察到基于GP的预测器在多3倍的比赛中实现了相似的胜率，同时保持了安全性。最后，我们展示了预测和控制框架的实时在1/10的规模赛车平台上运行的速度约为2.8米/秒的实验研究，并显示出显着的改善水平时，使用基于GP的预测器在基线MPC预测。硬件实验的视频可以在https://youtu.be/KMSs4ofDfIs上找到。
2023-03-01 cs.RO cs.SY eess.SY
A Tricycle Model to Accurately Control an Autonomous Racecar with Locked Differential
University of Modena and Reggio Emilia（摩德纳与雷焦艾米利亚大学）；University of Parma（帕尔马大学）；Hipert srl（海珀特有限公司）；ETH Zurich（苏黎世联邦理工学院）
本研究提出带锁止差速器自主赛车的新型三轮车动力学模型，结合微步离散化的模型预测控制器等方案，经实车与仿真验证提升了接近轮胎极限时的横向路径跟踪精度。
2023-12-22 cs.AI cs.RO cs.SY
RACECAR -- The Dataset for High-Speed Autonomous Racing
University of Virginia（弗吉尼亚大学）；Technical University of Munich（慕尼黑工业大学）；Carnegie Mellon University（卡内基梅隆大学）；Politecnico di Milano（米兰理工大学）
本文推出首个全尺寸高速自主赛车公开数据集RACECAR，包含多模态高速赛车数据与双格式数据及转换工具，并提出多项基准任务以探索车辆极限运行问题。
2023-06-05 cs.RO
From perception to control: an autonomous driving system for a formula student driverless car
Beijing Institute of Technology（北京理工大学）
本文介绍了在2018年中国方程式学生自主驾驶比赛（FSAC）中获胜的“智能鲨鱼II”的自主驾驶系统。在这项比赛中，一辆自主赛车需要在未知的赛道上自主完成两圈。本文介绍了该赛车的自动驾驶软件结构，保证了车辆的高速性和安全性。关键部件保证了赛车的稳定行驶，基于LiDAR和视觉的圆锥检测提供了冗余感知;基于EKF的定位提供了高精度和高频率的状态估计;感知结果通过占用网格地图在时间和空间上积累。在得到运动轨迹后，采用模型预测控制算法对赛车的纵向和横向控制进行优化。最后，基于真实世界的数据的实验的性能。
2019-08-31 cs.CV cs.RO
Motion Planning and Control for Multi Vehicle Autonomous Racing at High Speeds
University of Modena and Reggio Emilia（摩德纳和雷焦艾米利亚大学）；University of Parma（帕尔马大学）；ETH Zurich（苏黎世联邦理工学院）；University of Pisa（比萨大学）；Technology Innovation Institute（技术创新研究所）
本文提出了一种多层运动规划和控制架构的自主赛车，能够避免静态障碍物，执行主动超车，并达到75 $m/s$以上的速度。所使用的离线全局轨迹生成和在线模型预测控制器高度基于车辆的优化和动态模型，其中轮胎和外倾角效应以基本Pacejka Magic Formula的扩展版本表示。使用多体赛车运动库来识别和验证所提出的单赛道模型，该库可以正确模拟车辆动力学，在缺少真实实验数据时特别有用。调整控制器的基本正则化项和约束以减小输入的变化率，同时确保可接受的速度和路径跟踪。运动规划策略由基于Frenét-Frame的规划器组成，该规划器考虑由卡尔曼滤波器产生的对手的预测。规划者选择无碰撞路径和速度轮廓在3秒的水平线上进行跟踪，以实现不同的目标，如跟踪和超车。所提出的解决方案已被应用在Dallara AV-21赛车和测试在椭圆形赛道实现横向加速度高达25 $m/s^{2}$。
2022-07-22 cs.AI cs.RO cs.SY
Real-time 3D Pose Estimation with a Monocular Camera Using Deep Learning and Object Priors On an Autonomous Racecar
Department of Mechanical and Process Engineering（机械与过程工程系）
我们提出了一个完整的流水线，允许目标检测，并同时估计这些多个对象的情况下，使用一个单一的图像的姿态。介绍了一种新的“关键点回归”方案，该方案利用关于对象的形状和大小的先验信息来回归并找到特定的特征点。此外，关于对象的先验3D信息被用于匹配2D-3D对应关系，并准确地估计高达15米距离的对象位置。详细讨论的结果和管道的深入分析。该管道在低功率Jetson TX 2上高效运行，并作为感知管道的一部分部署在以54 km/hr的最高速度巡航的实时的【形】自动驾驶汽车上。
2018-09-27 cs.CV cs.RO
Toward Fully Autonomous Flexible Chunk-Based Aerial Additive Manufacturing: Insights from Experimental Validation
Luleå University of Technology（吕勒奥理工大学）；Robotics & AI Team（机器人与人工智能团队）
本文提出一种自主分块空中增材制造框架，通过优化分解、依赖图调度、无偏移模型预测控制及互锁机制，经实验验证能精确构建多种形状结构，推动空中自主建造能力变革。
2025-02-27 cs.RO cs.SY eess.SY
FormulaZero: Distributionally Robust Online Adaptation via Offline Population Synthesis
Stanford University（斯坦福大学）；University of Pennsylvania（宾夕法尼亚大学）；Massachusetts Institute of Technology（麻省理工学院）
平衡性能和安全性对于在多智能体环境中部署自动驾驶汽车至关重要。特别是，自动驾驶赛车是一个惩罚安全但保守的政策的领域，突出了对稳健，适应性策略的需求。目前的方法要么简化了对其他代理人的假设，要么缺乏强大的在线适应机制。这项工作使算法的贡献，这两个挑战。首先，为了生成一个现实的，多样化的对手，我们开发了一种新的方法，自我发挥的基础上复制交换马尔可夫链蒙特卡罗。其次，我们提出了一个分布式鲁棒的强盗优化过程，自适应调整风险规避相对于对手的行为信念的不确定性。当在实时运动规划中近似这些计算时，我们严格量化了性能和鲁棒性的权衡，并且我们在自动驾驶汽车上实验性地展示了我们的方法，这些自动驾驶汽车可以达到与一级方程式赛车相当的缩放速度。
2020-08-22 cs.LG cs.MA cs.RO
α-RACER: Real-Time Algorithm for Game-Theoretic Motion Planning and Control in Autonomous Racing using Near-Potential Function
EECS UC Berkeley（电子工程与计算机科学系，伯克利大学）
针对多车自动驾驶赛车实时策略问题，提出基于近势函数的博弈论框架及算法，实现近似纳什均衡的实时计算，并在3车场景中超越现有基线。
2025-04-24 cs.GT cs.RO
Talk to Me, Jarvis: An Open-Source Edge-Deployable Voice Assistant Framework for Autonomous Racecars
Technical University of Munich（慕尼黑工业大学）；Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所）
本文提出Jarvis，一个离线边缘部署的语音助手框架，通过微调Mistral 7B实现低延迟命令分类，在自动驾驶赛车中达到97.63%意图识别准确率和1.39秒平均延迟，并开源支持进一步研究。
2026-09-21 cs.LG cs.RO
MixNet: Structured Deep Neural Motion Prediction for Autonomous Racing
Institute of Automotive Technology (FTM)（汽车技术研究所（FTM））；Technical University of Munich（慕尼黑工业大学）
本文提出MixNet，一种结构化深度神经运动预测方法，用于自动驾驶赛车中预测对手车辆运动，通过约束输出轨迹保证质量，在硬件在环模拟中优于基线，并已部署于Indy自动驾驶挑战赛。
2022-08-03 cs.RO
Design of a prototypical platform for autonomous and connected vehicles
Politecnico di Milano（米兰理工大学）
自动驾驶技术预计将彻底改变不同的行业，并被视为道路车辆的自然演变。在过去的几年中，设计和虚拟测试解决方案的真实世界验证越来越重要，因为模拟环境永远不会完全复制可能影响现实世界结果的所有方面。为此，本文介绍了我们的原型平台，用于连接和自动驾驶项目的实验研究。详细地说，本文提出了车辆的整体架构，重点是机械方面的远程驱动和传感器设置和软件方面的手段，所需的主要算法的全面描述的自我定位，环境感知，运动规划，和驱动自动驾驶。最后，在一个类似城市的环境中进行的实验测试报告，以验证和评估整个系统的性能。
2021-06-17 cs.RO cs.SY eess.SY
LiDAR-Based Vehicle Detection and Tracking for Autonomous Racing
Politecnico di Milano（米兰理工大学）
本文提出一种基于LiDAR的车辆检测与跟踪流程，包括快速点云分割、车辆姿态估计和变步长多目标跟踪，应用于自动驾驶赛车，实现在超过275公里/小时速度下的自主超车。
2025-01-24 cs.CV cs.RO
AMZ Driverless: The Full Autonomous Racing System
ETH Zurich（苏黎世联邦理工学院）
本文介绍了一种自动驾驶赛车的算法和系统结构。所介绍的车辆是由一个软件栈设计的鲁棒性，可靠性和可扩展性。为了在以前未知的赛道上自主比赛，所提出的解决方案结合了来自不同机器人领域的最新技术。具体而言，感知，估计和控制被纳入一个高性能的自动赛车。这个复杂的机器人系统由AMZ Driverless和苏黎世联邦理工学院开发，在我们参加的每一场比赛中都获得了第一名：2017年德国学生方程式，2018年意大利学生方程式和2018年德国学生方程式。我们讨论了这些比赛的结果和学习，并提出了我们的解决方案的每个模块的实验评估。
2019-05-13 cs.RO
Deep Dynamics: Vehicle Dynamics Modeling with a Physics-Constrained Neural Network for Autonomous Racing
University of Virginia（弗吉尼亚大学）
针对高速自动驾驶赛车中物理模型调校昂贵、纯数据驱动模型缺乏物理约束的问题，本文提出 Deep Dynamics PCNN，通过物理系数估计、动力学方程和 Physics Guard 层实现准确且受物理约束的高速车辆状态预测。
2024-12-02 cs.AI cs.LG cs.RO
Self driving algorithm for an active four wheel drive racecar
HUMDA Lab nonprofit Kft.（HUMDA实验室非营利公司）；Széchenyi István University（塞切尼伊斯特万大学）
本文提出用PPO深度强化学习训练端到端控制器，直接输出转向角和四轮独立扭矩，在TORCS仿真中实现极限抓地力下的最优圈速，并隐式学会A4WD扭矩分配策略以改善操控性。
2025-06-06 cs.RO
Vector Cost Behavioral Planning for Autonomous Robotic Systems with Contemporary Validation Strategies
Michigan State University（密歇根州立大学）；Embry-Riddle Aeronautical University（艾姆伯-理德航空大学）；City College of New York（纽约市立大学）；Istanbul Technical University（伊斯坦布尔技术大学）
本文提出了一种基于向量成本双矩阵博弈的自主机器人行为规划方法，结合XAI和SEMBAS技术，通过对比标量加权和方法，展示了在多目标优化和敏感性分析中的优越性能。
2025-11-21 cs.GT cs.RO
DynSSM: A Physics-Aware State-Space Memory Framework for Learning Vehicle Dynamics
University of Dayton（戴顿大学）
本文提出LE-PAVD，结合物理先验知识与学习组件，通过仿真和真实数据训练，提升状态预测精度并降低误差，同时减少计算成本，实现在高速自主导航中的性能提升。
2026-09-02 cs.RO
Towards Practical Autonomous Flight Simulation for Flapping Wing Biomimetic Robots with Experimental Validation
Zhejiang Laboratory（之江实验室）；Nankai University（南开大学）；ZheJiang University（浙江大学）
真实的扑翼机器人仿真是扑翼机构和算法研究的基础。本文提出了一种新型的面向应用的扑翼平台，高度兼容各种机械设计和适应不同的机器人任务。首先，基于扑翼运动学，提出了扑翼气动力计算的叶素理论和准定常模型。计算中考虑了平移升力、平移阻力、旋转升力和附加质量力。然后，我们使用所提出的仿真平台，调查被动翼旋转和翼尾相互作用的现象，一个特定的扑翼机器人。借助仿真工具和一种基于平均系统动态差异的新统计量，通过研究扑翼机器人的动态特性，揭示了扑翼机器人的几种行为的本质。在此基础上，利用鲁棒控制技术解决了姿态跟踪控制问题和位置轨迹跟踪问题。仿真结果表明，所提出的控制算法与现有的控制算法相比具有明显的优越性。在此基础上，采用相同的控制算法和参数整定方法，在自制的扑翼机器人上进行了真实飞行实验，并在所设计的仿真平台上得到了相似的结果。与现有的仿真工具相比，所提出的方法与大多数现有的扑翼机器人兼容，并且可以通过观察每个叶片元件上的气动力和扭矩来固有地钻取相应应用中的每个细微行为。
2023-03-08 cs.RO
Motion Planning for Autonomous Driving: The State of the Art and Future Perspectives
BNU-HKBU United International College（北京师范大学-香港浸会大学联合国际学院）；Hong Kong Baptist University（香港浸会大学）；Hubei University（湖北大学）；Hunan University（湖南大学）；University of Chinese Academy of Sciences（中国科学院大学）；Jinan University（暨南大学）
本文综述自动驾驶运动规划方法，涵盖流水线与端到端两类，比较其优劣并讨论实验平台、挑战及未来方向，为系统设计提供参考。
2023-05-10 cs.AI cs.RO
High-Fidelity Multi-Body Simulator for Autonomous Racing
University of Modena and Reggio Emilia（摩德纳与雷焦艾米利亚大学）；Megaride S.r.l.（Megaride 有限责任公司）；University of Naples Federico II（那不勒斯费德里科二世大学）；Claytex（Claytex 公司）
本文提出一个基于Dymola和FMU的高保真多体车辆动力学仿真器，用于自动驾驶赛车软件测试，支持实时运行并提供可靠验证数据。
2026-09-14 cs.RO cs.SY eess.SY
Longitudinal Control for Autonomous Racing with Combustion Engine Vehicles
Technical University of Munich, Germany（慕尼黑技术大学）；School of Engineering & Design（工程与设计学院）；Department of Engineering Physics and Computation（工程物理与计算系）；Institute of Automatic Control（自动控制研究所）；Department of Mobility Systems Engineering（移动系统工程系）；Institute of Automotive Technology（汽车技术研究所）
针对内燃机自动驾驶赛车的驱动输入适配问题，提出模块化纵向控制方案，将高层轨迹跟踪指令转换为节气门、制动压力、挡位等底层指令，搭配安全控制功能，经EAV24赛车实测试验验证可实现紧密指令跟踪。
2025-04-24 cs.RO cs.SY eess.SY
Imitation Learning for Autonomous Driving: Insights from Real-World Testing
AI and Intelligent Systems Lab.（人工智能与智能系统实验室）；Istanbul Technical University（伊斯坦布尔技术大学）
本研究在真实MIT Racecar上设计并测试了基于模仿学习的端到端DNN自动驾驶系统，通过增量设计比较了PD、CNN、CNN-LSTM和CNN-NODE，发现CNN-NODE驾驶性能最佳，突显了迭代设计的重要性。
2025-04-26 cs.AI cs.RO
Target Tracking via LiDAR-RADAR Sensor Fusion for Autonomous Racing
Dipartimento di Elettronica, Informazione e Bioingegneria (DEIB), Politecnico di Milano（电子、信息与生物工程系（DEIB），米兰理工大学）
针对自主赛车中精准车辆检测与动力学估计的需求，提出基于延迟感知EKF的LiDAR-RADAR融合多目标跟踪算法，结合传感器特性与赛道先验知识处理失序测量，在275 km/h下完成自主超车验证。
2025-11-12 cs.RO
Towards an Autonomous Test Driver: High-Performance Driver Modeling via Reinforcement Learning
Toyota Research Institute（丰田研究所）
本文提出通过深度强化学习训练达到顶尖人类水平的自主测试车手，用于评估车辆设置对圈速性能的影响，并结合模仿学习使其行为更拟人化，从而支持车手专属的设置优化。
2024-12-05 cs.RO
Assessing the Robustness of LiDAR, Radar and Depth Cameras Against Ill-Reflecting Surfaces in Autonomous Vehicles: An Experimental Study
ETH Zurich（苏黎世联邦理工学院）
本文通过实验评估弱反射表面对LiDAR、雷达和深度相机三种测距传感器的影响，发现LiDAR性能降至标称条件的33%，而雷达和深度相机保持100%，并在1:10自动驾驶赛车上验证了弱反射对下游任务的不利影响，强调鲁棒距离感知的必要性。
2023-09-19 cs.RO
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
Bayesian Optimization applied for accelerated Virtual Validation of the Autonomous Driving Function
Dipartimento di Meccanica, Politecnico di Milano（机械系，米兰理工学院）
针对自动驾驶功能验证中仿真成本高的问题，提出基于贝叶斯优化的框架，以远少于暴力实验设计的仿真次数发现关键场景，并验证了其在高维空间中的可扩展性。
2025-08-07 cs.RO cs.SY eess.SY
Environment-Aware Learning of Smooth GNSS Covariance Dynamics for Autonomous Racing
Department of Computing and Mathematical Sciences, California Institute of Technology（计算与数学科学系，加州理工学院）
本文提出LACE框架，通过动态建模GNSS协方差动态，提升自动驾驶赛车在GNSS退化环境中的定位性能和协方差估计平滑性。
2026-03-05 cs.RO
Experimental Validation of Safe MPC for Autonomous Driving in Uncertain Environments
Chalmers University of Technology（查尔姆斯理工大学）；Zenseact AB（Zenseact公司）；IMT School for Advanced Studies Lucca（卢卡IMT高等研究院）；Università di Modena e Reggio Emilia（摩德纳-雷焦艾米利亚大学）
针对自动驾驶需可证明安全的需求，提出基于MPC的安全框架，可在满足约束下跟踪参考轨迹，经仿真和实车实验验证了其有效性与实时性。
2023-05-05 cs.RO cs.SY eess.SY
Enhancing SUMO simulator for simulation based testing and validation of autonomous vehicles
University of Michigan Transportation Research Institute（密歇根大学交通研究所）；University of Michigan（密歇根大学）
当前的自动驾驶车辆（AV）模拟器旨在提供大规模测试，以受控、可重复的方式证明各种条件下的能力。但是，它们也有一些缺点，包括需要用户专业知识和复杂的不方便的教程来创建自定义场景。城市交通模拟器（SUMO）模拟器，它已被提出作为一个开源的AV模拟器，被广泛使用，但遭受类似的问题，这使得入门级的从业者很难利用模拟器没有显着的时间投资。在这方面，我们提供了两个增强SUMO模拟器面向大规模改善用户体验，并提供类似现实生活的变化，周围的交通。首先，我们校准的汽车跟驰模型，智能驾驶员模型（IDM），高速公路和城市的自然驾驶数据和自动采样的参数分布，以创建背景车辆。其次，我们将SUMO与OpenAI gym相结合，创建了一个Python包，可以基于真实世界的高速公路和城市布局运行模拟，并通过任何AV管道处理通用的输出观察和输入动作。通过这些增强功能，我们的目标是提供一个易于使用的平台，可以随时用于AV测试和验证。
2021-09-23 cs.RO cs.SY eess.SY
Autonomous Vehicles on the Edge: A Survey on Autonomous Vehicle Racing
University of Pennsylvania（宾夕法尼亚大学）；ETH Zurich（苏黎世联邦理工学院）；California Institute of Technology（加州理工学院）；Technical University of Munich（慕尼黑工业大学）；University of Virginia（弗吉尼亚大学）；Clemson University（克莱姆森大学）
近年来，自动驾驶汽车的日益普及导致了一个新的研究领域的出现：自动驾驶赛车。研究人员正在为高性能赛车开发软件和硬件，这些赛车旨在在车辆极限的边缘自动运行：高速，高加速度，低反应时间，高度不确定，动态和对抗性环境。本文代表了第一个全面的调查，涵盖了在自动驾驶赛车领域的研究。我们只专注于自动驾驶赛车领域，并展示用于感知，规划和控制以及端到端学习领域的算法，方法和途径。此外，随着越来越多的自主赛车比赛，研究人员现在可以使用一系列高性能平台来测试和评估他们的自主算法。该调查全面概述了当前的自动驾驶赛车平台，强调软件-硬件共同进化到当前阶段。最后，基于与该领域领先研究人员的额外讨论，我们总结了开放研究的挑战，这将指导未来的研究人员在这一领域。
2022-02-14 cs.RO cs.SE
Hardware- and Vision-in-the-Loop Validation of Deep Monocular Pose Estimation for Autonomous Maritime UAV Flight
Mechanical and Aerospace Engineering, George Washington University（机械与航空航天工程，乔治华盛顿大学）
提出硬件验证的视觉在环框架，结合深度变换器单目位姿估计器和延迟卡尔曼滤波器，在模拟逼真海上环境中实现自主室内飞行，验证了感知延迟等嵌入式效应。
2026-06-18 cs.AI cs.RO cs.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
Path Tracking of Highly Dynamic Autonomous Vehicle Trajectories via Iterative Learning Control
Stanford University（斯坦福大学）
几十年来，迭代学习控制已经成功地用于改善执行单个重复任务的控制系统的性能。学习控制器利用来自先前控制执行的信息，逐渐确定开环控制输入，其参考跟踪性能可以超过传统的反馈-前馈控制算法。本文认为迭代学习控制以前未探索的领域：自主赛车。赛车在接近轮胎-路面摩擦力的物理极限时，绕着相同的转弯序列行驶多圈，其中转向动力学变得高度非线性和瞬态，使得精确的路径跟踪变得困难。然而，由于在单车比赛的情况下，车辆轨迹对于每圈都是相同的，因此非线性车辆动力学和未建模的道路条件是可重复的，并且可以使用迭代学习控制来解释，只要没有超过轮胎力限制。本文描述了设计和应用比例微分（PD）和二次最优（Q-ILC）学习算法的多圈路径跟踪的自主赛车。仿真结果用于调整控制器增益和测试收敛性，并给出了奥迪TTS赛车上行驶几圈的Thunderhill Raceway在Willows，CA在横向加速度高达8 $\mathrm{m/s^2}$的实验结果。这两种控制算法都能够校正瞬态路径跟踪误差，并提高由参考前馈控制器提供的性能。
2019-02-02 cs.RO
AI-MOLE: Autonomous Iterative Motion Learning for Unknown Nonlinear Dynamics with Extensive Experimental Validation
Institute of Mechatronic Systems, Leibniz Universität Hannover（汉诺威莱布尼茨大学机电系统研究所）；Department Artificial Intelligence in Biomedical Engineering, FAU Erlangen-Nürnberg（埃尔朗根-纽伦堡大学生物医学工程人工智能系）
提出 AI-MOLE，通过迭代实验、高斯过程建模和轨迹更新，让未知非线性系统即插即用地自主学习参考跟踪，并在三种机器人、九项任务中验证。
2024-04-09 cs.RO cs.SY eess.SY
Scalable Autonomous Vehicle Safety Validation through Dynamic Programming and Scene Decomposition
Stanford University（斯坦福大学）；NASA Ames Research Center（NASA艾姆斯研究中心）
自动驾驶中的一个悬而未决的问题是如何最好地使用模拟来验证自动驾驶汽车的安全性。现有技术依赖于模拟的推出，这对于发现罕见的故障事件可能是低效的，而其他技术被设计为仅发现单个故障。在这项工作中，我们提出了一种新的安全验证方法，试图估计分布超过故障的自治政策使用近似动态规划。这种分布的知识允许有效地发现许多失败的例子。为了解决问题的可扩展性，我们分解复杂的驾驶场景子问题，只包括自我车辆和其他车辆。这些子问题可以用近似动态规划来解决，并且它们的解被重新组合以近似完整场景的解。我们将我们的方法应用到一个简单的两辆车的情况下，以证明该技术，以及一个更复杂的五辆车的情况下，以证明可扩展性。在这两个实验中，我们观察到与基线方法相比，发现的失败数量有所增加。
2020-06-26 cs.LG cs.RO cs.SY
Adaptive Stress Testing with Reward Augmentation for Autonomous Vehicle Validation
Stanford University（斯坦福大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
确定可能的故障场景是评估自动驾驶汽车系统的关键步骤。真实世界的车辆测试通常用于自动驾驶车辆验证，但成本和时间要求很高。因此，模拟驱动的方法，如自适应压力测试（AST）已被提出来帮助验证。AST将寻找最可能的故障场景的问题表述为马尔可夫决策过程，可以使用强化学习来解决。在实践中，AST倾向于发现故障不可避免的场景，并且倾向于重复发现系统的相同类型的故障。这项工作解决了这些问题，通过编码域相关的信息到搜索过程中。通过这种修改，AST方法发现了一个更大的和更有表现力的子集的故障空间相比，原来的AST制定。我们表明，我们的方法是能够识别有用的自动驾驶汽车政策的失败场景。
2019-08-06 cs.AI cs.LG cs.RO
Kernel-Based Metrics Learning for Uncertain Opponent Vehicle Trajectory Prediction in Autonomous Racing
Ulsan National Institute of Science and Technology（蔚山国立科学技术院）
本研究提出基于深度核学习的异构核度量方法，用于预测自动驾驶赛车中不确定轨迹的对手车辆，通过无监督对齐相似驾驶策略提升预测精度，并在1/10比例平台上验证了安全超越的有效性和计算效率。
2026-09-16 cs.AI cs.LG cs.RO
Factor Graph-Based Planning as Inference for Autonomous Vehicle Racing
TUM School of Computation, Information and Technology, Technical University of Munich（慕尼黑工业大学计算、信息与技术学院）；ARRK Engineering GmbH（ARRK工程有限公司）
本研究利用因子图将自主赛车规划建模为概率推理，通过最小二乘优化实现快速求解，并整合最小曲率路径与局部规划，在累积曲率和平均速度上表现优越，同时具有计算效率。
2024-06-26 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
Interpretable Safety Validation for Autonomous Vehicles
自动驾驶的一个开放性问题是如何在仿真中验证自动驾驶车辆的安全性。自动化测试程序可以发现自主系统的故障，但这些故障可能由于其高维性而难以解释，并且可能不太可能以至于不重要。这项工作描述了一种方法，用于找到自治系统的可解释的故障。故障由人可以理解的信号时序逻辑表达式描述，并且被优化以产生具有高可能性的故障。我们的方法证明了自动驾驶汽车的安全验证的背景下，无保护的左转和人行横道与行人。与基线重要性采样方法相比，我们的方法发现了更多的故障，具有更高的可能性，同时保持可解释性。
2020-06-26 cs.LG cs.RO stat.ML
SAVME: Efficient Safety Validation for Autonomous Systems Using Meta-Learning
Stanford University（斯坦福大学）
本文提出SAVME，一种结合元学习与多臂赌博机的贝叶斯安全验证方法，通过学习关键场景参数和仿真保真度分布，将自动驾驶证伪验证最高加速18倍。
2023-09-30 cs.AI cs.CY cs.ET
TEACar: An Open-Source Autonomous Driving Platform
Trustworthy Engineered Autonomy (TEA) Lab, Department of Electrical and Computer Engineering, University of Florida（可信工程自主性实验室，电气与计算机工程系，佛罗里达大学）
本文提出TEACar，一个模块化、低成本的自动驾驶测试平台，通过四层结构分离感知、计算、执行和电源子系统，提升结构刚性并简化重构。
2026-05-08 cs.RO cs.SY eess.SY
Dual Iterative Learning Control for Multiple-Input Multiple-Output Dynamics with Validation in Robotic Systems
本文提出MIMO双迭代学习控制（DILC），无需模型知识和手动调参即可同时实现跟踪控制与模型学习，并在仿真和真实机器人系统中验证了其快速自主解决运动任务的能力。
2025-09-23 cs.RO cs.SY eess.SY
Towards Mechatronics Approach of System Design, Verification and Validation for Autonomous Vehicles
Clemson University International Center for Automotive Research（克莱姆森大学国际汽车研究中心）
本文将机电一体化系统设计、验证与确认方法应用于自动驾驶车辆开发，通过多学科协同设计、虚拟/混合/物理原型与并行工程框架，并基于AutoDRIVE生态系统和自动泊车案例验证其有效性。
2023-05-13 cs.RO
Diffusion Models for Safety Validation of Autonomous Driving Systems
Computer Science（计算机科学）；Stanford University（斯坦福大学）；Astronautics（航空与航天）
本文训练去噪扩散模型，根据任意初始交通状态生成自动驾驶车辆的逼真且多样的潜在故障案例，为低资源、无先验的交叉口安全验证提供方法。
2025-06-10 cs.AI cs.RO
Data Authorisation and Validation in Autonomous Vehicles: A Critical Review
University of York（约克大学）
本文系统综述了自动驾驶系统中数据授权与验证的最新进展，重点分析分布式架构下的数据流动、安全隐私及合规需求，并展望未来研究方向。
2025-07-03 cs.RO
An Open-Source Scenario Architect for Autonomous Vehicles
Technical University of Munich（慕尼黑工业大学）
自动驾驶功能软件组件的开发应始终包括广泛而严格的评估。由于现实世界的测试是昂贵的和安全的关键-特别是当面对动态赛车的情况下，在处理的极限-一个青睐的方法是基于模拟的测试。在这项工作中，我们提出了一个开源的图形用户界面，它允许生成一个多车辆的情况下，在一个正常的，甚至是比赛的环境。详细阐述了底层方法和实现。此外，我们还展示了集成到自动驾驶软件堆栈中的基于ESTO的安全评估模块验证的潜在用例。在此范围内，我们介绍了三个说明性的场景，每一个侧重于不同的安全关键方面。
2020-06-17 cs.RO cs.SY eess.SY
A Risk-Field Enhanced Closed-Loop Digital Twin Framework for Autonomous Driving Safety Validation
针对自动驾驶安全验证，提出风险场增强闭环数字孪生框架，集成多方面功能，引入驾驶风险场描述风险，通过评估协议比较不同方法，该框架能让验证更具针对性、可解释性和可重用性，但受模型保真度等因素限制。
2026-07-14 cs.LG cs.RO
VAST: V2X/Dynamic Map-Aware Autonomous Driving Systems Validation Toolchain
Saitama University（埼玉大学）
VAST工具链通过解决互操作性问题，提升遮挡场景边缘案例发现率至80%，并利用动态地图将碰撞率降至40%，为协作式自动驾驶提供高效验证。
2026-09-18 cs.RO
