Panoptic Perception for Autonomous Driving: A Survey
Oakland University（奥克兰大学）
本综述系统回顾了自动驾驶领域的全景感知模型，比较了其输入、架构及在性能、响应速度和资源利用率上的表现，并探讨了当前挑战与未来研究方向，为相关研究提供了重要参考。
2024-08-27 cs.CV cs.LG cs.RO
Autonomous Driving Implementation in an Experimental Environment
Sakarya University（萨卡里亚大学）
自主系统需要识别环境，在将其安全地付诸实践之前还有很长的路要走。在自动驾驶系统中，障碍物和交通信号灯的检测与车道跟踪一样重要。在这项研究中，自主驾驶系统的开发和测试的实验环境中，为此目的而设计。在该系统中，具有摄像头的模型车辆用于跟踪车道和避开障碍物，以实验研究自动驾驶行为。训练卷积神经网络模型进行车道线跟踪。针对车辆避障问题，分别建立了角点检测、光流、焦点扩展、碰撞时间、平衡计算和决策机制。
2021-05-23 cs.CV cs.LG cs.RO
Want a Ride? Attitudes Towards Autonomous Driving and Behavior in Autonomous Vehicles
Johannes Kepler University Linz（约翰内斯·开普勒大学林茨分校）
本文通过12人实地实验，发现对自动驾驶的态度并不影响驾驶干预和视线行为，指出缺乏实地测试的自动驾驶研究在评估行为、态度与接受度方面可能不可靠。
2024-09-04 cs.HC cs.RO
Scaling Is All You Need: Autonomous Driving with JAX-Accelerated Reinforcement Learning
本文利用JAX加速的强化学习系统，结合高效逼真的驾驶模拟器，在自动驾驶领域进行大规模实验，证明策略性能随规模提升，最佳策略降低失败率64%并提高驾驶进展率25%。
2024-11-05 cs.AI cs.LG cs.RO
Exploring the Boundaries: Thorough Software Testing for Safety-Critical Driving Scenarios Based on Kinematics in the Context of Autonomous Driving
Esslingen University of Applied Sciences（埃斯林根应用科学大学）
本文研究自动驾驶中基于运动学的安全关键边角场景测试，提出运用边界值分析识别最小距离等极端条件，以提升系统鲁棒性并为相关人员提供测试指导。
2023-06-02 cs.RO
Machine Learning-Based Vehicle Intention Trajectory Recognition and Prediction for Autonomous Driving
University of Southern California（南加州大学）；Virginia Tech（弗吉尼亚理工大学）；Miami University（迈阿密大学）；Northern Arizona University（北亚利桑那大学）；Northeastern University（东北大学）
本文针对自动驾驶变道安全问题，提出一种基于深度学习的变道行为预测方法，旨在准确识别驾驶员变道意图，促进安全变道并提升道路安全性。
2024-02-25 cs.CV cs.LG cs.RO
CAAD: Computer Architecture for Autonomous Driving
我们描述了自动驾驶中涉及的计算任务，研究了现有的自动驾驶计算平台的实现。为了实现自动驾驶，计算堆栈需要以低成本同时提供高性能、低功耗和低散热。我们讨论了设计计算平台，将满足这些需求的可能方法。
2017-02-07 cs.AR cs.RO
Towards Fully Intelligent Transportation through Infrastructure-Vehicle Cooperative Autonomous Driving: Challenges and Opportunities
PerceptIn（感知创新公司）；South China University of Technology（华南理工大学）；Northwestern University（西北大学）
基础设施-车辆协同自动驾驶方法依赖于智能道路和智能车辆之间的合作。与传统的车载自动驾驶方法相比，这种方法不仅更安全，而且更经济。在本文中，我们介绍了我们在协作自动驾驶领域的实际部署经验，并深入探讨了新挑战和机遇的细节。具体而言，根据我们在商业部署方面的进展，我们遵循了合作自动驾驶方法的三个阶段发展路线图：基础设施增强自动驾驶（IAAD），基础设施引导自动驾驶（IGAD）和基础设施规划自动驾驶（iPad）。
2021-03-03 cs.AR cs.NI cs.RO
Deep Neural Network Perception Models and Robust Autonomous Driving Systems
Waterloo Artificial Intelligence Institute（滑铁卢人工智能研究所）；Department of Systems Design Engineering, University of Waterloo（滑铁卢大学系统设计工程系）；David Cheriton school of Computer science, University of Waterloo（滑铁卢大学戴维·谢里顿计算机学院）；University of Waterloo（滑铁卢大学）
本文分析了自动驾驶应用中深度学习模型的鲁棒性，并讨论了解决该问题的实用解决方案。
2020-03-04 cs.CV cs.LG cs.RO
ApolloRL: a Reinforcement Learning Platform for Autonomous Driving
Baidu Apollo Autonomous Driving（百度阿波罗自动驾驶）；University of Cambridge（剑桥大学）
我们介绍ApolloRL，这是一个用于自动驾驶强化学习研究的开放平台。该平台提供了一个完整的闭环管道，包括培训，模拟和评估组件。它配备了300小时的驾驶场景和流行的基线，如近端策略优化（PPO）和软Actor-Critic（SAC）代理的真实数据。我们在本文中阐述的架构和平台中定义的环境。此外，我们还讨论了基线代理在ApolloRL环境中的性能。
2022-01-29 cs.LG cs.RO stat.ML
World Models for Autonomous Driving: An Initial Survey
University of Macau（澳门大学）；College of Transportation Engineering, Tongji University（同济大学交通运输工程学院）；Tsinghua University（清华大学）；Macau University of Science and Technology（澳门科技大学）；University of Hawaii at Manoa（夏威夷大学马诺阿分校）
本文初步综述了世界模型在自动驾驶中的理论基础、实际应用与研究进展，强调其通过综合传感器数据预测未来场景、弥补信息缺口以辅助决策，并旨在为该领域提供基础参考。
2024-05-07 cs.AI cs.LG cs.RO
Driving Through Uncertainty: Risk-Averse Control with LLM Commonsense for Autonomous Driving under Perception Deficits
University at Buffalo（布法罗大学）；University of Notre Dame（诺特尔大学）
本文提出LLM-RCO框架，利用大语言模型整合人类驾驶常识，以提升自动驾驶在感知缺陷下的风险规避与适应性控制能力。
2025-12-12 cs.AI 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
Improved Robustness and Safety for Autonomous Vehicle Control with Adversarial Reinforcement Learning
Stanford University（斯坦福大学）
为了提高自动驾驶汽车的效率并减少故障，研究重点是开发考虑环境干扰的鲁棒和安全的学习方法。现有的鲁棒强化学习文献将学习问题视为自治系统和干扰之间的两人博弈。本文研究了解决该游戏的两种不同算法：鲁棒对抗性强化学习和神经虚拟自我游戏，并比较了自动驾驶场景的性能。我们将游戏配方扩展到半竞争环境，并证明由此产生的对手更好地捕捉有意义的干扰，导致更好的整体性能。与传统强化学习方法产生的基线控制策略相比，所得到的鲁棒策略在有效降低碰撞率的同时提高了驾驶效率。
2019-03-08 cs.LG cs.RO stat.ML
Motion Comfort Optimization for Autonomous Vehicles: Concepts, Methods, and Techniques
University of North Texas（北德克萨斯大学）；Fordham University（福特汉姆大学）；Qatar University（卡塔尔大学）；University of Nebraska at Kearney（内布拉斯加大学卡尼尔分校）；Mohamed Bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学（MBZUAI））；Hamad Bin Khalifa University（哈马德·本·哈利法大学）
本文从人类舒适性视角综述自动驾驶架构、舒适度测量与优化技术，分析传感器天气限制及市场影响，并给出用例与未来展望。
2023-06-15 cs.AI cs.CV cs.LG
InterHub: A Naturalistic Trajectory Dataset with Dense Interaction for Autonomous Driving
Tongji University（同济大学）；Beijing Institute of Technology（北京理工大学）；School of Automotive Studies, Tongji University（同济大学汽车学院）
针对真实驾驶数据中交互事件稀疏的问题，本文提出 InterHub 数据集，利用形式化方法从自然驾驶记录中提取多智能体密集交互轨迹，并提供可扩展工具包以支持自动驾驶评估与研究。
2024-11-30 cs.RO
Guided Policy Search Model-based Reinforcement Learning for Urban Autonomous Driving
University of California, Berkeley（加州大学伯克利分校）
在本文中，我们继续我们以前的工作，使用模仿学习（IL）和无模型强化学习（RL），学习驾驶策略的自动驾驶在城市的情况下，通过引入基于模型的RL方法来驱动自动驾驶汽车在卡拉城市驾驶模拟器。尽管IL和无模型RL方法已被证明能够解决许多具有挑战性的任务，包括玩视频游戏，机器人，以及在我们之前的工作中，城市驾驶，但这些方法的低样本效率极大地限制了它们在实际自动驾驶中的应用。在这项工作中，我们开发了一个基于模型的RL算法的指导政策搜索（GPS）的城市驾驶任务。该算法迭代学习一个参数化的动力学模型来逼近复杂的交互式驾驶任务，并在非线性近似动力学模型下优化驾驶策略。作为一种基于模型的强化学习方法，GPS在城市自动驾驶中具有更高的样本效率、更好的可解释性和更高的稳定性。我们提供了大量的实验验证所提出的方法的有效性，学习鲁棒的驾驶政策，在卡拉城市驾驶。我们还将所提出的方法与其他策略搜索和无模型RL基线进行了比较，表明基于GPS的RL方法的样本效率提高了100倍，并且基于GPS的方法可以学习基线方法难以学习的更难任务的策略。
2020-05-11 cs.RO
Evaluation and Optimization of Rendering Techniques for Autonomous Driving Simulation
Southern University of Science and Technology（南方科技大学）
为提升自动驾驶仿真场景质量，提出用离线工业渲染框架替代实时渲染，通过游戏引擎生成低质量场景并用IQA算法验证离线渲染的质量提升，改进后的场景用于训练。
2023-06-27 cs.RO
Attacking Autonomous Driving Agents with Adversarial Machine Learning: A Holistic Evaluation with the CARLA Leaderboard
Carnegie Mellon University（卡内基梅隆大学）
该研究借助CARLA模拟器与CARLA排行榜，在不修改智能体代码的前提下测试对抗补丁对多类开源自动驾驶智能体的攻击效果，发现部分非ML模块可抵消对抗样本对ML模型的误导作用。
2025-11-18 cs.CR cs.CV cs.LG
Autonomous Driving Data Chain & Interfaces
自动驾驶技术的最新发展已经证明，地图数据不仅可以用于一般的路由目的，还可以用于增强和补充常见的传感器数据。本文档回顾了自我修复地图数据链每一步最常用的接口和格式。
2021-04-02 cs.AI cs.RO
Results and Lessons Learned from Autonomous Driving Transportation Services in Airfield, Crowded Indoor, and Urban Environments
Seoul National University（首尔大学）；ThorDrive
本文分享了在机场、拥挤室内和城市环境中开展自动驾驶运输服务的研究成果与经验教训，探讨了应对独特挑战的方法并概述了未来待解决的问题。
2024-03-20 cs.RO
Autonomous Driving Strategies at Intersections: Scenarios, State-of-the-Art, and Future Outlooks
Beijing Institute of Technology（北京理工大学）；Delft University of Technology（代尔夫特理工大学）
由于交叉口场景的复杂性和动态性，交叉口自动驾驶策略一直是近年来智能交通系统研究的难点和热点。本文简要总结了交叉口自动驾驶策略的发展现状。首先，我们列举和分析了常见的交叉口场景类型，相应的仿真平台，以及相关的数据集。其次，通过回顾以往的研究，我们总结了现有的自动驾驶策略的特点，并将其分为几类。最后指出了现有自动驾驶策略存在的问题，并提出了几点有价值的研究展望。
2021-07-13 cs.AI cs.RO
Review of Deep Reinforcement Learning for Autonomous Driving
Middlesex University（密德萨斯大学）
自从深度神经网络复兴以来，强化学习在许多传统游戏中逐渐加强并超越了人类。然而，将这些成就复制到自动驾驶并不容易，因为现实世界中的状态空间非常复杂，动作空间是连续的，需要精细控制。此外，自动驾驶系统还必须保持其功能，无论环境的复杂性如何。深度强化学习域（DRL）已经成为一种鲁棒的学习框架，用于在高维环境中处理具有深度表示学习的复杂策略。这项研究概述了深度强化学习算法（DRL）。它提出了一个命名的自动驾驶DRL技术已被使用，从而讨论了重要的计算问题，在现实环境中评估自动驾驶代理。相反，它涉及类似但不是标准的RL技术，毗邻的领域，如动作仿真，建模模仿，反向强化学习。模拟器在训练代理中的作用得到了解决，验证，检查和现有RL解决方案的鲁棒性的方法也得到了解决。
2023-02-13 cs.RO
Implementing a Cloud Platform for Autonomous Driving
自动驾驶云提供支持自动驾驶汽车的基本服务。如今，这些服务包括但不限于新算法部署的分布式仿真测试、离线深度学习模型训练和高清（HD）地图生成。这些服务需要基础设施支持，包括分布式计算、分布式存储以及异构计算。在本文中，我们详细介绍了如何实现统一的自动驾驶云基础设施，以及如何在此基础设施上支持这些服务。
2017-04-10 cs.DC 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
Optimal Trajectory Generation for Autonomous Vehicles Under Centripetal Acceleration Constraints for In-lane Driving Scenarios
本文提出了一种新的方法，生成最佳轨迹的自动驾驶车辆在车道内行驶的情况下。该方法使用两阶段优化过程来计算轨迹。在第一阶段，优化过程产生一个封闭形式的驾驶指导线与可重构的曲率。在第二阶段，该程序以行驶引导线为输入，输出车辆沿引导线行驶的动态可行、加加速度和时间最优轨迹。该方法对于在弯曲道路上生成轨迹特别有用，其中车辆需要施加频繁的加速和减速以适应向心加速度限制。
2021-12-03 cs.RO
Evaluating Robustness over High Level Driving Instruction for Autonomous Driving
ENSTA Paris（巴黎高等先进技术学院）；Institut Polytechnique de Paris（巴黎理工学院）；INRIA（法国国家信息与自动化研究所）；Université Paris-Saclay（巴黎萨克雷大学）；CEA（法国原子能和替代能源委员会）；List（李斯特研究所）
近年来，我们见证了自动端到端驾驶领域越来越高的性能。特别是，越来越多的研究正在做的城市环境中，汽车必须遵循高级别的命令来导航驾驶。然而，很少有评价的能力，这些代理人在一个意想不到的情况下作出反应。具体地，在坏的高级命令的情况下，不对驱动代理的鲁棒性进行评估。我们在这里提出了一种评估方法，即一个基准，允许评估的代理的鲁棒性，并欣赏其理解的环境，通过其能力，以保持一个安全的行为，无论指令。
2021-05-20 cs.AI cs.CV cs.LG
NeuroFlow: Development of lightweight and efficient model integration scheduling strategy for autonomous driving system
Seoul National University（首尔国立大学）
本研究提出名为NeuroFlow的自动驾驶专用系统，通过优化数据流、动态调整深度学习模型影响因素及确定非深度学习算法资源优先级，在实车多场景实验中验证了稳定推理与有效控制能力，为自动驾驶系统发展提供新突破。
2023-12-15 cs.AI cs.RO
DriveFuzz: Discovering Autonomous Driving Bugs through Driving Quality-Guided Fuzzing
Georgia Institute of Technology（佐治亚理工学院）；University of Texas at Dallas（德克萨斯大学达拉斯分校）；University of Central Oklahoma（中央俄克拉荷马大学）；UNIST（蔚山国立科学技术院）；University of Virginia（弗吉尼亚大学）
自动驾驶已经成为现实;价格合理的半自动驾驶汽车已经在街上，主要汽车供应商正在积极开发全自动驾驶系统，以便在这十年内部署它们。在将产品推出给最终用户之前，测试和确保自动驾驶系统的安全性至关重要，该系统由以复杂方式交织在一起的多个层组成。然而，尽管安全关键错误可能存在于任何层中，甚至跨层，但相对较少关注跨所有层测试整个驱动系统。以前的工作主要集中在各个层的白盒测试和防止对每个层的攻击。在本文中，我们的目标是对自动驾驶系统进行整体测试，这些系统具有完整的集成层。我们不关注单个层，而是关注系统在驾驶环境中不断变化的车辆状态。这使我们能够设计DriveFuzz，这是一个新的系统模糊框架，可以发现潜在的漏洞，而不管它们的位置。DriveFuzz利用高保真驾驶模拟器，根据各种因素自动生成和改变驾驶场景。我们建立了新的驾驶测试神谕的基础上，现实世界的交通规则，以检测安全关键的不当行为，并引导模糊对这样的不当行为，通过驾驶质量指标，指的是车辆的物理状态。DriveFuzz在两个自动驾驶系统（Autoware和CARLA Behavior Agent）的各个层中发现了30个新错误，并在CARLA模拟器中发现了另外三个错误。我们进一步分析了这些漏洞的影响，以及对手如何利用它们作为安全漏洞在现实世界中造成严重事故。
2022-10-25 cs.RO
RoboCar: A Rapidly Deployable Open-Source Platform for Autonomous Driving Research
SnT - Interdisciplinary Centre for Security, Reliability and Trust, University of Luxembourg（卢森堡大学安全、可靠性与信任跨学科研究中心）
本文提出基于 2018 款 KIA Soul EV 的开源自动驾驶研究平台 RoboCar，通过模块化软硬件架构降低改装成本，并经公共道路实测验证其研究价值。
2025-07-25 cs.RO
Towards Defensive Autonomous Driving: Collecting and Probing Driving Demonstrations of Mixed Qualities
Korea University（高丽大学）；Seoul National University（首尔国立大学）；Department of Artificial Intelligence, Korea University（高丽大学人工智能系）；ASRI, Seoul National University（首尔国立大学先进科学研究中心）；Department of Mechanical Engineering, Seoul National University（首尔国立大学机械工程系）；Department of Computer Science and Engineering, Seoul National University（首尔国立大学计算机科学与工程系）
设计或学习自动驾驶政策无疑是一项具有挑战性的任务，因为该政策必须在所有情况下保持其安全性。为了确保自动驾驶的安全性，检测危险情况的能力变得至关重要，这可以被视为分发外（OOD）检测问题。然而，大多数常规数据集仅提供专家驾驶演示，尽管需要一些非专家或不常见的驾驶行为数据来实现有安全保证的自动驾驶平台。为此，我们提出了一个新的数据集，称为R3驾驶数据集，由不同质量的驾驶数据组成。该数据集将异常驾驶行为分为8类，369种不同的详细情况。这些情况包括危险的车道变化和接近碰撞的情况。为了进一步启发如何检测这些异常驾驶行为，我们利用不同的不确定性估计和异常检测方法的建议数据集。从所提出的实验的结果中，可以推断，通过使用不确定性估计和异常检测，所提出的数据集中的大多数异常情况可以被区分。本文的数据集可以从www.example.com下载。
2021-09-18 cs.RO
Human-Like Autonomous Driving on Dense Traffic
University of Surrey（萨里大学）
针对高速自动驾驶中模仿学习的累积误差、泛化差等问题，提出结合混合密度网络行为克隆与GAIL碰撞惩罚的方案，在HighD数据集相关模拟测试中验证了有效性。
2024-03-07 cs.RO
Open-Source Autonomous Driving Software Platforms: Comparison of Autoware and Apollo
Korea Advanced Institute of Science and Technology（韩国科学技术院）
本文针对开源自动驾驶平台Autoware和Apollo，系统比较了其核心模块与中间件性能，为开发者选择合适平台提供了定量与详细的正面参考。
2025-01-31 cs.RO
Development of Real-time Rendering Technology for High-Precision Models in Autonomous Driving
我们的自动驾驶模拟实验室制作了模拟停车场的高精度3D模型。然而，目前的模型在某些方面仍然存在绘制质量差的问题。在这项工作中，我们开发了一个系统，以提高模型的渲染和评估渲染模型的质量。
2023-03-20 cs.CV cs.RO
GLAD: Grounded Layered Autonomous Driving for Complex Service Tasks
SUNY Binghamton（纽约州立大学宾汉姆顿分校）
鉴于自动驾驶汽车目前的点对点导航能力，研究人员正在研究复杂的服务请求，这些请求需要汽车访问多个兴趣点。在本文中，我们开发了一个分层的规划框架，称为GLAD，在自动驾驶城市复杂的服务请求。服务级、行为级和动作级规划分为三层。分层框架在其紧密耦合方面是独一无二的，其中不同的层传达用户偏好、安全估计和用于系统优化的运动成本。GLAD通过从驾驶行为收集的13.8k实例的数据集进行感知学习来视觉接地。GLAD使自动驾驶汽车能够高效、安全地满足复杂的服务请求。从抽象和完整的模拟实验结果表明，我们的系统优于几个有竞争力的基线文献。
2022-10-05 cs.RO
Combining Deep Reinforcement Learning and Safety Based Control for Autonomous Driving
State Key Laboratory of Automotive Safety and Energy, Tsinghua University（清华大学汽车安全与节能国家重点实验室）
随着最先进的深度强化学习的发展，我们可以有效地解决连续控制问题。但用于连续控制的深度强化学习方法是基于历史数据的，这会在不熟悉的场景中做出不可预测的决策。结合深度强化学习和基于安全的控制可以获得良好的自动驾驶和防撞性能。在这篇文章中，我们使用深度确定性策略梯度算法来实现周围没有车辆的自动驾驶。车辆可以在稳定和熟悉的环境中学习驾驶策略，高效可靠。然后利用人工势场法设计了周围车辆的避碰算法。还考虑了路径跟踪方法。深度强化学习和基于安全的控制的组合在大多数情况下表现良好。
2016-12-01 cs.RO
LGSVL Simulator: A High Fidelity Simulator for Autonomous Driving
LG Electronics America R&D Lab.（LG电子美国研发实验室）
在真正的自动驾驶汽车上测试自动驾驶算法是非常昂贵的，该领域的许多研究人员和开发人员负担不起真正的汽车和相应的传感器。虽然有几个免费和开源的自动驾驶堆栈，如Autoware和Apollo，但与它们一起使用的开源模拟器的选择是有限的。在本文中，我们介绍了LGSVL模拟器，这是一个高保真的自动驾驶模拟器。模拟器引擎提供端到端的全栈模拟，可以连接到Autoware和Apollo。此外，仿真器工具提供了核心仿真引擎，允许用户轻松地定制传感器，创建新类型的可控对象，替换核心仿真器中的一些模块，并创建特定环境的数字孪生。
2020-06-22 cs.LG cs.RO cs.SY
Enabling Level-4 Autonomous Driving on a Single $1k Off-the-Shelf Card
Perceptin LLC（Perceptin有限责任公司）；Northeastern Univ（东北大学）；COCOPLE LLC（COCOPLE有限责任公司）；College of William and Mary（威廉玛丽学院）；North Carolina State University（北卡罗来纳州立大学）
自动驾驶在研究和工业中都有很大的兴趣。高成本一直是减缓自动驾驶在实践中的发展和采用的主要障碍之一。这篇论文首次表明，运行4级（即，完全自动驾驶）软件，在一个现成的卡（Jetson AGX Xavier）不到1000美元，一个数量级低于国家的最先进的系统，同时满足所有要求的延迟。这一成功来自于通过一系列措施和创新解决了现有做法共有的一些重要问题。该研究颠覆了人们对4级自动驾驶所需计算资源的普遍看法，为行业降低成本指出了一条有希望的道路，并为重新思考自动驾驶的架构、软件设计和优化提供了许多研究机会。
2021-10-12 cs.AI cs.LG cs.RO
Explainability of deep vision-based autonomous driving systems: Review and challenges
Sorbonne Université（索邦大学）
本调查回顾了基于视觉的自动驾驶系统的解释方法，该系统经过行为克隆训练。可解释性的概念有几个方面，对可解释性的需求在驾驶中很强，这是一个安全关键的应用程序。本调查收集了多个研究领域的贡献，即计算机视觉、深度学习、自动驾驶、可解释人工智能（X-AI），解决了几个问题。首先，它讨论了从自动驾驶系统中获得更多可解释性和可解释性的定义、背景和动机，以及该应用所特有的挑战。其次，全面组织和详细说明了以事后方式为黑盒自动驾驶系统提供解释的方法。第三，详细介绍和讨论了文献中旨在通过设计构建更具可解释性的自动驾驶系统的方法。最后，剩余的开放的挑战和潜在的未来研究方向进行了确定和检查。
2022-07-19 cs.AI cs.CV cs.LG
Design Space of Behaviour Planning for Autonomous Driving
University of Waterloo（滑铁卢大学）
我们探索自动驾驶行为规划的复杂设计空间。成功解决行为规划的一个方面的设计选择可以严重限制其他方面。为了帮助设计过程中，在这项工作中，我们分解的设计空间的重要选择所产生的最先进的方法，并描述了由此产生的权衡。在此过程中，我们还确定了未来工作的有趣方向。
2019-08-21 cs.AI cs.LG cs.RO
Towards Benchmarking and Assessing the Safety and Robustness of Autonomous Driving on Safety-critical Scenarios
Zhongguancun Laboratory（中关村实验室）；Beihang University（北京航空航天大学）；Institute of Data Space, Hefei Comprehensive National Science Center（合肥综合性国家科学中心数据空间研究院）；Institute of Information Science, Beijing Jiaotong University（北京交通大学信息科学研究所）；A*STAR（新加坡科技研究局）
本研究针对自动驾驶在安全关键场景下的安全性与鲁棒性评估不足的问题，明确了安全关键场景定义，开发了涵盖感知与系统级评估的自动驾驶安全测试平台，为行业建立标准化测试框架和降低实际道路部署风险提供技术支持。
2025-04-07 cs.AI cs.RO
Deep Reinforcement-Learning-based Driving Policy for Autonomous Road Vehicles
Technical University of Crete（克里特理工大学）；University of Malta（马耳他大学）
在这项工作中，被认为是在高速公路上移动的自主车辆的路径规划问题。用于解决该问题的最常见的方法是基于最优控制方法，该方法对环境模型和系统动态进行假设。相反，这项工作提出了基于强化学习的驱动策略的发展。通过这种方式，所提出的驾驶策略对环境做出最小假设或不做假设，因为不需要关于系统动态的先验知识。考虑了道路被自动驾驶和手动驾驶车辆占用的驾驶场景。据我们所知，这是提出混合驾驶环境的强化学习驾驶策略的首批方法之一。推导出的强化学习策略，首先，通过动态规划推导出的最优策略进行比较，其次，其效率进行了评估下所建立的SUMO微观交通流模拟器产生的现实场景。最后，一些初步的结果，自动驾驶汽车的行为对整体交通流量的影响。
2020-02-18 cs.AI cs.CY cs.LG
Estimating Risk Levels of Driving Scenarios through Analysis of Driving Styles for Autonomous Vehicles
University of Science and Technology of China（中国科学技术大学）；Carnegie Mellon University（卡内基梅隆大学）
为了在道路上安全行驶，自动驾驶汽车不仅需要能够识别前方的物体，还需要能够自动估计前方物体的风险等级。很明显，不同的物体对自动驾驶汽车的危险程度不同。自动驾驶汽车需要一个评估系统来自动确定物体的危险程度。如果系统完全由人来定义，那就太主观，太不完整了。在此基础上，提出了一种基于非参数贝叶斯学习方法的框架--粘性层次狄利克雷过程隐马尔可夫模型（sticky HDP-HMM），并发现了驾驶场景与驾驶风格之间的关系。我们使用自动驾驶汽车的驾驶风格的分析，以反映驾驶场景的车辆的风险水平。在该框架中，首先使用粘性HDP-HMM从数据集中提取驾驶风格，得到不同的聚类，然后提出一个评价体系对聚类的紧急程度进行评价和排序。最后，我们将驾驶场景映射到排名结果，从而得到不同风险级别的驾驶场景聚类。更重要的是，我们发现驾驶场景和驾驶风格之间的关系。实验结果表明，该框架能够对不同紧急程度的驾驶风格进行聚类和排序，发现驾驶场景与驾驶风格之间的关系，得出的结论也符合人们的驾驶常识。此外，该框架可用于自动驾驶汽车，以估计驾驶场景的风险水平，并帮助他们做出准确和安全的决策。
2019-04-23 cs.HC cs.RO
Perspective, Survey and Trends: Public Driving Datasets and Toolsets for Autonomous Driving Virtual Test
Beihang University（北京航空航天大学）
与真实场景下的闭环测试相比，自动驾驶虚拟测试具有早期安全性和可靠性保证的优点，近年来受到越来越多的关注。虽然自动驾驶数据集和工具集的可用性和质量是诊断自动驾驶系统瓶颈和提高系统性能的前提，但由于数据集和工具集的多样性和隐私性，收集和表征它们的视角和质量不仅耗时而且越来越具有挑战性。本文首先提出了自动驾驶测试（SLA）的系统文献综述方法，然后概述了2000年至2020年现有的公开数据集和工具集。通过35个自动驾驶测试工具集和70个测试数据集，给出了相关场景的定量结果、观点和趋势推断以及建议。据我们所知，我们是第一个使用基于SLA的调查方法对数据集和工具集进行这种最新的实证调查。我们的多方面分析和新发现不仅揭示了我们认为对系统设计者，从业者和用户有用的见解，而且还可以促进更多关于数据集和工具集的自动驾驶调查系统调查分析的研究。
2021-06-30 cs.AI cs.RO
Self-Driving like a Human driver instead of a Robocar: Personalized comfortable driving experience for autonomous vehicles
Seamless Transportation Lab (STL)（无缝交通实验室）；Yonsei University（延世大学）
为了给自动驾驶汽车用户提供个性化的舒适驾驶体验，提出了一种基于个人驾驶偏好的自动驾驶汽车集成控制系统。我们提出了一个乘客的偏好度量（OPM），这是定义一个首选的横向和纵向加速度区域的最大允许加加速度为用户。此外，我们提出了一个车辆控制器的控制参数的基础上，使集成的横向和纵向控制，通过自主车辆的偏好感知操纵。该系统不仅提供了乘员驾驶偏好的标准，还提供了个性化的自动驾驶风格，就像人类驾驶员而不是Robocar一样。仿真和实验结果表明，该系统可以像人类驾驶员一样操纵自动驾驶汽车，通过跟踪指定的标准，允许的加速度和加加速度。
2022-11-18 cs.RO cs.SY eess.SY
Toward Autonomous Driving by Musculoskeletal Humanoids: A Study of Developed Hardware and Learning-Based Software
The University of Tokyo（东京大学）
本文研究肌肉骨骼人形机器人Musashi在自动驾驶中的应用，利用其冗余传感器和柔性身体结构完成座椅乘坐、踏板踩踏和方向盘操作，并验证了硬件与学习型软件协同实现自动驾驶的可行性。
2024-06-08 cs.RO
Safe Reinforcement Learning on Autonomous Vehicles
Honda Research Institute USA（美国本田研究所）
强化学习已经取得了许多进展，但学习过程的典型不受约束的探索阻止了这些方法在许多安全关键应用中的采用。安全强化学习的最新工作使用理想化模型来实现其保证，但这些模型不容易适应现实世界系统的随机性或高维性。我们研究了预测如何为约束探索提供一个通用和直观的框架，并展示了它如何用于安全地学习自动驾驶汽车上的交叉路口处理行为。
2019-09-27 cs.AI cs.LG cs.RO
Utilizing Navigation Paths to Generate Target Points for Enhanced End-to-End Autonomous Driving Planning
University of Science and Technology of China（中国科学技术大学）
针对现有端到端自动驾驶框架忽略行驶意图学习的问题，本文提出NTT方法，基于导航路径生成目标点再生成规划轨迹，在nuScenes数据集上取得优异规划性能。
2024-08-12 cs.RO
Reducing Non-IID Effects in Federated Autonomous Driving with Contrastive Divergence Loss
AIOZ；University of Liverpool（利物浦大学）；National Tsing Hua University（国立清华大学）
针对联邦自动驾驶中的非独立同分布问题，提出一种对比散度损失以降低传输模型散度因素的影响，经多场景多方案下的三个数据集实验验证，性能显著优于现有最优方法。
2023-10-08 cs.RO
Ethical Decision-making for Autonomous Driving based on LSTM Trajectory Prediction Network
Southern University of Science and Technology（南方科技大学）
本文提出一种基于带注意力模块的LSTM轨迹预测网络的自动驾驶伦理决策方法，通过量化效用原则并将其纳入数学公式以整合伦理考量，仿真实验证明其能有效做出伦理决策并选择最优轨迹。
2023-08-02 cs.RO
Model-Reference Reinforcement Learning for Collision-Free Tracking Control of Autonomous Surface Vehicles
Delft University of Technology（代尔夫特理工大学）
提出了一种新的模型参考强化学习算法，用于不确定自主水面车辆的智能避碰跟踪控制。该控制算法结合了传统的控制方法与强化学习，以提高控制精度和智能。在所提出的控制设计中，标称系统被认为是使用传统的控制方法的基线跟踪控制器的设计。标称系统还定义了在无障碍环境中的不确定自主表面车辆的期望行为。得益于强化学习，整体跟踪控制器能够补偿模型不确定性，并在有障碍物的环境中同时实现碰撞避免。与传统的深度强化学习方法相比，我们提出的基于学习的控制可以提供稳定性保证和更好的样本效率。我们展示了新算法的性能，使用自主表面车辆的例子。
2020-08-17 cs.LG cs.RO cs.SY
Approaching Current Challenges in Developing a Software Stack for Fully Autonomous Driving
Technical University of Munich（慕尼黑工业大学）
自动驾驶是一项复杂的任务。一种常见的方法是通过模块化将驾驶任务分解为单独的子任务。这些子模块通常单独开发和发布。然而，如果这些单独开发的算法必须再次组合以形成全栈自动驾驶软件，这将带来特殊的挑战。根据我们在开发TUM Autonomous Motorsport软件方面的实践经验，我们已经确定并得出了在科学环境中开发自动驾驶软件堆栈的这些挑战。我们不关注个别算法的具体挑战，而是关注在现实世界的测试车辆上部署研究算法时出现的一般困难。为了克服这些挑战，我们采用了在我们的发展方法中行之有效的战略。我们还提供了开源实现，在GitHub上实现这些概念。因此，本文的贡献将简化未来的全栈自动驾驶项目，这对于全面评估各个算法至关重要。
2025-04-17 cs.RO cs.SE
Integrating End-to-End and Modular Driving Approaches for Online Corner Case Detection in Autonomous Driving
Technical University of Munich (TUM)（慕尼黑工业大学）；Institute of Automotive Technology（汽车技术研究所）
本文提出将端到端网络作为辅助系统与模块化驾驶系统并行运行，利用两者输出不一致实现在线极端情况检测，并在真实车辆上验证了该方法对提升自动驾驶安全性的潜力。
2024-09-02 cs.AI cs.RO
Optimizing Low-Speed Autonomous Driving: A Reinforcement Learning Approach to Route Stability and Maximum Speed
本文提出一种基于强化学习的低速自动驾驶策略优化方法，在保证安全和路线准确性的前提下，使车辆稳定保持接近最高速度行驶。
2024-12-20 cs.AI cs.RO
