DR2L: Surfacing Corner Cases to Robustify Autonomous Driving via Domain Randomization Reinforcement Learning
Tsinghua University(清华大学)
如何尽可能有效和彻底地探索角落案例一直是深度强化学习(DeepRL)自动驾驶背景下的首要问题之一。与利用真实世界数据相比,使用模拟数据进行训练的成本和危险性更低,但模拟器中参数分布的不一致性和不正确的系统建模总是导致不可避免的Sim2real差距,这可能是模拟器难以生成的新颖,异常和风险情况下表现不佳的原因。域随机化(DR)是一种方法,可以用很少或没有真实世界的数据来弥合这一差距。因此,在这项研究中,提出了一种对抗模型,以增强在模拟中训练的基于DeepRL的自动驾驶车辆,以逐渐出现更难的事件,以便模型可以很容易地转移到现实世界中。
2021-07-25 cs.AI cs.LG cs.RO
ReGentS: Real-World Safety-Critical Driving Scenario Generation Made Stable
Sorbonne Université(索邦大学)
针对真实世界安全关键驾驶场景数据稀缺的问题,提出ReGentS框架,通过轨迹优化修改常规场景生成安全关键场景,稳定轨迹并避免无效碰撞,支持最多32个智能体,借助可微分模拟器简化优化,助力自动驾驶系统训练。
2024-09-12 cs.CV cs.LG cs.RO
On Disturbance-Aware Minimum-Time Trajectory Planning: Evidence from Tests on a Dynamic Driving Simulator
Università di Pisa(帕尔马大学);Politecnico di Milano(米兰理工大学)
本文提出扰动感知的最短时间轨迹规划方法,通过动态模拟器实验验证,表明FLC在降低转向努力的同时保持较短的lap时间,提升了驾驶性能和稳定性。
2025-12-04 cs.RO cs.SY eess.SY
Urban Driver: Learning to Drive from Real-world Demonstrations Using Policy Gradients
Woven Planet(Woven Planet(织网星球));Level 5(Level 5(第五级))
在这项工作中,我们首次提出了一种离线策略梯度方法,用于从大量真实世界的演示中学习复杂城市驾驶的模仿政策。这是通过在感知输出和该地区的高保真高清地图之上构建可区分的数据驱动模拟器来实现的。它允许我们使用中级表示从现有演示中合成新的驾驶体验。然后,使用该模拟器,我们在闭环中采用策略梯度训练策略网络。我们训练我们提出的方法在100小时的专家演示城市道路上,并表明它学习复杂的驾驶政策,概括良好,可以执行各种驾驶机动。我们在模拟中证明了这一点,并将我们的模型部署到现实世界中的自动驾驶车辆上。我们的方法在城市驾驶场景中的表现优于之前展示的最先进技术-所有这些都不需要复杂的状态扰动或在训练期间收集额外的政策数据。我们公开代码和数据。
2021-09-27 cs.AI cs.CV cs.LG
TorchDriveEnv: A Reinforcement Learning Benchmark for Autonomous Driving with Reactive, Realistic, and Diverse Non-Playable Characters
Inverted AI;University of British Columbia(不列颠哥伦比亚大学);MILA
本文提出 Python 强化学习自动驾驶基准 TorchDriveEnv,集成行为仿真 API 与反应、真实且多样的数据驱动 NPC,并通过 RL 基线验证其易用而难解。
2024-05-07 cs.AI cs.LG cs.MA
Learning hierarchical behavior and motion planning for autonomous driving
Zhejiang University(浙江大学);Arizona State University(亚利桑那州立大学)
基于学习的驾驶解决方案是自动驾驶的一个新分支,它通过从数据中学习底层机制来简化驾驶建模。为了提高基于学习的驾驶解决方案的战术决策,我们引入分层行为和运动规划(HBMP)明确建模的行为,基于学习的解决方案。由于行为和运动的耦合行为空间,使用强化学习(RL)解决长时间驾驶任务的HBMP问题具有挑战性。我们通过整合一个经典的基于采样的运动规划器来转换HBMP问题,其中的最优成本被视为高级行为学习的奖励。因此,该公式减少了行动空间,并多样化的奖励,而不会失去HBMP的最优性。此外,我们提出了一种跨仿真平台和真实世界环境的输入传感数据的可共享表示,以便在基于事件的快速仿真器SUMO中训练的模型可以用于在基于动态的仿真器CARLA中初始化和加速RL训练。实验结果证明了该方法的有效性。此外,该模型被成功地转移到现实世界中,验证了泛化能力。
2020-05-08 cs.AI cs.RO
TerraZero: Procedural Driving Simulation for Zero-Demonstration Self-Play at Scale
Applied Intuition(应用直觉)
研究旨在训练强大自动驾驶智能体,提出TerraZero过程式驾驶模拟器和自博弈训练堆栈,其速度快、逼真且多样。通过特定方式填充地图生成无限场景,智能体仅靠强化学习训练,能零样本泛化,在多个基准测试中表现出色。
2026-08-06 cs.AI cs.LG cs.RO
A Deep Reinforcement Learning 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)
这项工作是我们对自动驾驶汽车在高速公路上移动的路径规划问题的初步调查。我们通过提出一种基于强化学习的驱动策略来解决这个问题。所提出的政策,使最小的或没有假设的环境,因为没有先验知识的系统动态是必需的。我们比较了所提出的政策的性能对最优的政策,通过动态规划和对SUMO交通模拟器模拟人工驾驶。
2019-05-22 cs.RO
Deep Reinforcement Learning for Adverse Garage Scenario Generation
本文提出基于深度强化学习的自动化程序生成框架,自动生成2D地面脚本并构建3D场景,用于Carla仿真器中的导航算法测试,以解决手动搭建场景耗时费力的问题。
2024-07-01 cs.AI cs.LG cs.RO
Learning Soft Driving Constraints from Vectorized Scene Embeddings while Imitating Expert Trajectories
Simon Fraser University(西蒙菲莎大学);Huawei Technologies(华为技术有限公司);University of Toronto(多伦多大学);University of Waterloo(滑铁卢大学);Vector Institute(矢量研究院)
本研究提出一种无需模拟器的方法,从向量化场景嵌入中提取驾驶约束并融入模仿学习,通过最大熵模型分离奖励与约束流,提升了运动规划的可解释性与闭环性能,可适配更多数据集和真实场景。
2024-12-07 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
Elements of Effective Deep Reinforcement Learning towards Tactical Driving Decision Making
Horizon Robotics, inc.(地平线机器人技术有限公司(Horizon Robotics, inc.))
战术驾驶决策对于自动驾驶系统至关重要,近年来引起了人们的极大兴趣。在本文中,我们提出了几个实用的组件,可以加速深度强化学习算法对战术决策任务:1)非均匀动作跳过作为一个更稳定的替代动作重复跳帧,2)计数器为基础的惩罚车道上的自我车辆有较少的路权,和3)启发式推理时间动作掩蔽明显不受欢迎的行动。我们在一个现实的驾驶模拟器中评估所提出的组件,并将它们与几个基线进行比较。结果表明,该方案提供了优越的性能,在安全性,效率和舒适性。
2018-02-01 cs.AI cs.LG
On Multi-Agent Deep Deterministic Policy Gradients and their Explainability for SMARTS Environment
University of Southern California(南加州大学)
多智能体RL或MARL是自动驾驶文献中的复杂问题之一,阻碍了当今全自动驾驶汽车的发布。几个模拟器在开始之后一直在迭代,以减轻自动驾驶中多个代理的复杂场景的问题。一个这样的模拟器-SMARTS,讨论了合作的多智能体学习的重要性。针对这个问题,我们讨论了两种方法-MAPPO和MADDPG,这是基于政策和政策外RL方法。我们将我们的结果与最先进的结果进行比较,并讨论了潜在的改进领域,同时讨论了这些方法与SMARTS环境中的航点结合的可解释性。
2023-01-20 cs.AI cs.CV cs.LG
Accelerating Path Planning for Autonomous Driving with Hardware-Assisted Memoization
Cornell University(康奈尔大学)
具有动态障碍物的自动驾驶路径规划是一个挑战,因为它需要执行更高维的搜索(具有时间维度),同时仍然满足实时约束。提出了一种算法-硬件协同优化的方法来加速高维搜索空间的路径规划。首先,我们通过将节点和障碍物映射到低维空间并记住最近的搜索结果来减少最近邻居搜索和碰撞检测的时间。然后,我们提出了一个有效的memoization的硬件扩展。在现代处理器和周期级仿真器上的实验结果表明,硬件辅助记忆显著减少了路径规划的执行时间。
2022-05-27 cs.AR cs.RO
Reinforcement Learning and Deep Learning based Lateral Control for Autonomous Driving
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);University of Chinese Academy of Sciences(中国科学院大学)
本文研究了基于视觉的自动驾驶与深度学习和强化学习方法。与端到端学习方法不同,该方法将基于视觉的侧向控制系统分解为感知模块和控制模块。感知模块基于多任务学习神经网络,首先以驾驶员视角图像为输入,预测轨迹特征。基于强化学习的控制模块然后基于这些特征做出控制决策。为了提高数据效率,我们提出了可视化TORCS(VTORCS),一个深度的强化学习环境,它是基于开放的赛车模拟器(TORCS)。通过所提供的功能,可以训练具有图像或各种物理传感器测量的输入的代理,或者在该模拟器上评估感知算法。训练后的强化学习控制器在不同的跟踪性能上优于线性二次型调节器(LQR)控制器和模型预测控制(MPC)控制器。实验结果表明,感知模块表现出良好的性能和控制器能够控制车辆沿轨道中心与视觉输入很好地驱动。
2018-10-30 cs.AI cs.CV cs.LG
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
SUMMIT: A Simulator for Urban Driving in Massive Mixed Traffic
在不受管制的城市人群中进行自动驾驶是一项突出的挑战,特别是在许多具有攻击性的高速交通参与者的情况下。本文介绍了SUMMIT,高保真模拟器,便于开发和测试的人群驾驶算法。通过利用开源OpenStreetMap地图数据库和我们早期工作中开发的异构多智能体运动预测模型,SUMMIT在OpenStreetMap支持的任何全球位置为异构智能体模拟密集的,不受管制的城市交通。SUMMIT是CARLA的扩展,继承了自动驾驶模拟的物理和视觉现实主义。SUMMIT支持广泛的应用,包括感知、车辆控制和规划以及端到端学习。我们提供了一个上下文感知的规划与基准场景,并表明,SUMMIT产生复杂的,现实的交通行为在具有挑战性的人群驾驶设置。
2020-03-13 cs.MA cs.RO
Choose Your Simulator Wisely: A Review on Open-source Simulators for Autonomous Driving
Shanghai Jiao Tong University(上海交通大学);Global Institute of Future Technology, Shanghai Jiao Tong University(上海交通大学未来技术全球研究院)
本文综述了自动驾驶开源模拟器的演变与分类,评估其适用性、维护状态及质量,并识别关键问题与潜在解决方案,以指导研究者明智选择并提升模拟器可信度。
2023-12-26 cs.LG cs.RO cs.SE
A Survey on Simulators for Testing Self-Driving Cars
Wayne State University(韦恩州立大学)
严格而全面的测试在训练自动驾驶汽车处理公共道路上可能出现的各种情况方面发挥着关键作用。在公共道路上进行的物理测试是不安全的,昂贵的,并不总是可重复的。这就是模拟测试有助于填补空白的地方,然而,模拟测试的问题是,它只与用于测试的模拟器以及模拟场景对真实环境的代表性一样好。在本文中,我们确定了一个好的模拟器必须具备的关键要求。此外,我们还提供了常用模拟器的比较。我们的分析表明,CARLA和LGSVL模拟器是目前最先进的自动驾驶汽车端到端测试模拟器,原因在本文中提到。最后,我们还介绍了当前模拟测试在我们迈向全自动驾驶汽车时继续面临的挑战。
2021-01-13 cs.RO
A gamified simulator and physical platform for self-driving algorithm training and validation
Michigan State University(密歇根州立大学);National Technical University of Athens(雅典国立技术大学);Massachusetts Institute of Technology(麻省理工学院)
我们确定了对游戏化自动驾驶模拟器的需求,其中游戏机制鼓励高质量的数据捕获,并设计和应用这样的模拟器来收集车道跟踪训练数据。所得到的合成数据使卷积神经网络(CNN)能够驱动游戏中的车辆。我们同时开发了一个基于无线电遥控车和机器人操作系统(ROS)的物理测试平台,并成功地将模拟训练的模型转移到物理域,而无需修改。跨平台模拟器促进了无监督的众包,有助于收集模拟复杂动态环境数据、罕见事件和边缘情况的各种数据。物理平台提供了一种低成本的解决方案,用于验证模拟训练的模型或实现快速迁移学习,从而提高自动驾驶算法的安全性和弹性。
2019-11-18 cs.RO
MRDrive: An Open Source Mixed Reality Driving Simulator for Automotive User Research
ScaDS.AI, Leipzig University(ScaDS.AI,莱比锡大学);Leipzig University(莱比锡大学);Eindhoven University of Technology(埃因霍温理工大学)
MRDrive是一个开源混合现实驾驶模拟器,用于研究车载交互、注意力和可解释性,支持在人工和自动化驾驶情境下的HCI研究。
2026-03-09 cs.HC cs.RO
KIT Bus: A Shuttle Model for CARLA Simulator
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);Peking University(北京大学);University of Technology Sydney(悉尼科技大学);University of California, Berkeley(加州大学伯克利分校)
随着科技的不断发展,自动驾驶汽车必将改变交通运输的本质,实现未来汽车行业的变革。与自动驾驶汽车相比,自动驾驶公交车载客效率更高,在能耗方面也更环保。因此,据推测,在未来,自动驾驶公交车将变得越来越重要。作为自动驾驶研究的模拟器,CARLA模拟器可以帮助人们更快、更安全地积累自动驾驶技术的经验。然而,一个缺点是没有现代总线模型在CARLA模拟器。因此,人们无法模拟公共汽车上的自动驾驶或与公共汽车交互的场景。因此,我们在3ds Max软件中构建了一个公交车模型,并将其导入CARLA以填补这一空白。我们的模型,即KIT总线,被证明是工作在CARLA通过测试它与自动驾驶仪模拟。视频演示显示在我们的Youtube上。
2021-06-17 cs.RO
Rationale-aware Autonomous Driving Policy utilizing Safety Force Field implemented on CARLA Simulator
Yonsei University(延世大学)
尽管近年来自动驾驶技术迅速发展,但汽车制造商必须解决责任问题,才能将SAE J3016 3级或更高级别的自动驾驶乘用车商业化。为了应对产品责任法,制造商开发符合ISO 26262和ISO 21448等国际安全标准的自动驾驶系统。关于ISO 26262中的预期功能安全性(SOTIF)要求,驾驶政策建议为机动决策提供明确的理性基础。在这种情况下,数学模型,如安全力场(SFF)和责任敏感的安全(RSS),具有解释性的决定,可能是合适的。在这项工作中,我们从头开始实现SFF,以取代未公开的NVIDIA的源代码,并将其与CARLA开源模拟器集成。使用SFF和CARLA,我们提出了一个预测器声称的车辆集,并根据预测器,提出了一个综合的驾驶策略,无论它遇到的安全条件,同时通过动态交通一致的操作。该政策没有为每种情况制定单独的计划,但利用安全潜力,它的目标是与交通流量相融合的人性化驾驶。
2022-11-18 cs.AI cs.LG cs.RO
Forward Collision Warning Systems: Validating Driving Simulator Results with Field Data
Morgan State University(摩根州立大学)
随着先进驾驶辅助系统(ADAS)的出现,在使用这种技术时越来越需要评估驾驶员行为。在这项独特的研究中,在驾驶模拟器环境中引入了一个使用互联车辆技术的前向碰撞警告(FCW)系统,以评估驾驶员的制动行为,然后使用现场测试数据对结果进行验证。本研究共招募了93名参与者,并创建了南巴尔的摩的虚拟网络。进行单样本t检验,发现FCW后速度平均降低15.07 mph,具有统计学显著性。随机森林、机器学习算法被认为是按重要性顺序对数据集中最重要的变量进行排序的最佳方法。从密歇根大学交通研究所(UMTRI)获得的现场数据,证实了FCW的调查结果,从这个驾驶模拟器的研究。
2021-12-17 cs.RO
High Speed Emulation in a Vehicle-in-the-Loop Driving Simulator
Stanford University(斯坦福大学)
渲染准确的多感官反馈对于确保驾驶模拟器中的自然用户行为至关重要。在这项工作中,我们提出了一个虚拟现实(VR)为基础的车辆在环(ViL)模拟器,提供视觉,前庭,触觉反馈的司机在高速驾驶条件下。围绕四轮线控转向车辆设计我们的模拟器使我们能够模拟车辆行驶速度明显快于测试车辆的动态,并将相应的触觉转向反馈传输给驾驶员。通过结合VR视觉效果、车辆动力学仿真和方向盘力反馈来调整测试车辆的速度,我们可以在有限的驾驶空间内安全、身临其境地运行高达高速公路速度的实验。在双车道变化和高速公路编织实验中,我们的高速仿真方法跟踪人类感知范围内的偏航运动,并提供与手动驾驶相同的动作相媲美的感官反馈。
2022-03-21 cs.RO cs.SY eess.SY
Improving the Generalization of End-to-End Driving through Procedural Generation
SenseTime Group Limited(商汤集团有限公司);Department of Information Engineering, the Chinese University of Hong Kong(香港中文大学信息工程系)
在过去的几年里,人们对基于学习的自动驾驶系统越来越感兴趣。为了确保安全性,这些系统首先在模拟器中开发和验证,然后再部署到现实世界中。然而,大多数现有的驾驶模拟器只包含一组固定的场景和有限数量的可配置设置。这可能很容易导致基于学习的驾驶系统的过拟合问题,以及缺乏对未知场景的泛化能力。为了更好地评估和提高端到端驾驶的通用性,我们引入了一个开放式和高度可配置的驾驶模拟器PGDrive,遵循程序生成的关键功能。该生成算法首先从基本道路块采样生成不同的道路网络。然后,他们变成了互动的训练环境,附近的车辆与逼真的运动学交通流渲染。我们验证了随着程序生成的场景数量的增加而进行的训练显着提高了代理在不同交通密度和道路网络场景中的泛化能力。许多应用,如多智能体交通仿真和安全驾驶基准可以进一步建立在模拟器。为了促进端到端驾驶的联合研究工作,我们在https://decisionforce.github.io/pgdrive上发布了模拟器和预训练模型
2021-03-12 cs.CV cs.LG cs.RO
RITA: Boost Driving Simulators with Realistic Interactive Traffic Flow
Shanghai Jiao Tong University(上海交通大学);IAS BU ADS Planning and Control, Huawei Technologies Co., Ltd.(华为技术有限公司IAS BU ADS规划与控制部)
本文提出RITA逼真交互式交通流组件,通过RITABackend与RITAKit实现高保真、多样且可控的交通生成,并验证其可增强驾驶策略评估与在线微调。
2023-12-08 cs.AI cs.MA cs.RO
Does the testing environment matter? Carsickness across on-road, test-track, and driving simulator conditions
Delft University of Technology(代尔夫特理工大学)
本研究通过驾驶模拟器再现公路晕动症暴露,发现其晕动症评分显著低于公路和测试赛道条件,因模拟器无法再现低频运动。
2026-02-26 cs.ET cs.RO
GarchingSim: An Autonomous Driving Simulator with Photorealistic Scenes and Minimalist Workflow
Technical University of Munich(慕尼黑工业大学)
针对自动驾驶实路测试成本高、现有开源模拟器少且配置复杂的问题,本文提出GarchingSim模拟器,具备照片级真实场景、高精度动力学模型,支持多接口通信与极简部署,可用于算法评估与数据生成等场景。
2024-01-30 cs.AI cs.CV cs.RO
Simulator Ensembles for Trustworthy Autonomous Driving Systems Testing
Technical University of Munich(慕尼黑技术大学);University of St. Gallen(圣加尔登大学)
研究自动驾驶系统测试中模拟器结果不一致问题,提出MultiSim方法,利用模拟器集成和搜索策略识别故障场景,通过实验证明该方法比单模拟器及现有多模拟器方法更优,能提高故障识别率,还提出预测分歧和利用代理模型提高效率。
2026-07-10 cs.AI cs.RO cs.SE
A Vehicle-in-the-Loop Simulator with AI-Powered Digital Twins for Testing Automated Driving Controllers
Department of Electrical Engineering, Eindhoven University of Technology(电子工程系,埃因霍温理工大学);Siemens Digital Industries Software(西门子数字工业软件);Department of Mechanical Engineering, Eindhoven University of Technology(机械工程系,埃因霍温理工大学)
本文提出一种结合缩比实体车辆与AI驱动数字孪生体的车辆在环仿真器,以低成本、高保真且易扩展的方式验证自动驾驶控制器,并通过带形式化安全保证的滤波控制基准和实验证明了其有效性。
2025-07-03 cs.RO cs.SY eess.SY
Development of A Stochastic Traffic Environment with Generative Time-Series Models for Improving Generalization Capabilities of Autonomous Driving Agents
自动变道是先进自动驾驶系统的关键功能。近年来,在交通模拟器上训练的强化学习(RL)算法在计算车道变换策略方面取得了成功,这些策略在安全性、敏捷性和补偿交通不确定性之间取得了平衡。然而,许多RL算法表现出模拟器偏差,在简单的模拟器上训练的策略不能很好地推广到现实的交通场景。在这项工作中,我们开发了一个数据驱动的交通模拟器,通过训练一个生成的adverserial网络(GAN)对现实生活中的轨迹数据。模拟器生成类似于车辆之间的真实交通交互的随机轨迹,这使得能够在更丰富和真实的场景中训练RL代理。我们通过模拟证明,与在简单的规则驱动模拟器上训练的RL代理相比,在基于GAN的交通模拟器上训练的RL代理具有更强的泛化能力。
2020-06-10 cs.AI cs.RO eess.SP
A Simulator Dataset to Support the Study of Impaired Driving
Toyota Research Institute(丰田研究院)
本文发布了一个包含52名受试者、23.7小时模拟驾驶的数据集,用于研究酒精中毒和认知分心对驾驶行为的影响及对道路危险事件的响应。
2025-04-15 cs.CV cs.LG cs.RO
DReyeVR: Democratizing Virtual Reality Driving Simulation for Behavioural & Interaction Research
Carnegie Mellon University(卡内基梅隆大学)
由于道路驾驶实验的安全性、成本和实验控制问题,模拟器是驾驶行为和交互研究的重要工具。最先进的模拟器使用昂贵的360度投影系统,以确保视觉保真度,全视野和沉浸感。然而,使用基于虚拟现实(VR)的视觉界面可以经济地实现类似的视觉保真度。我们介绍了DReyeVR,这是一个基于开源VR的驾驶模拟器平台,设计时考虑到了行为和交互研究的优先事项。DReyeVR(读作“驾驶员”)基于虚幻引擎和CARLA自动驾驶汽车模拟器,具有眼动追踪、功能驾驶抬头显示器(HUD)和车辆音频、自定义路线和交通场景、实验记录、回放功能以及与ROS的兼容性等功能。我们描述了部署这个模拟器所需的硬件,低于$5000$美元,比市售模拟器便宜得多。最后,我们描述了如何利用DReyeVR来回答示例场景中的交互研究问题。
2022-01-07 cs.AI cs.GR cs.HC
KING: Generating Safety-Critical Driving Scenarios for Robust Imitation via Kinematics Gradients
Mercedes-Benz AG R&D(梅赛德斯-奔驰股份公司研发部);University of Tübingen(蒂宾根大学);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
模拟器为安全、低成本地开发自动驾驶系统提供了可能性。然而,目前的驾驶模拟器表现出幼稚的行为模型的背景交通。手动调整的场景通常在模拟过程中添加,以引发安全关键情况。另一种方法是反向扰动背景流量轨迹。在本文中,我们研究这种方法,以安全关键的驾驶场景生成使用的CARLA模拟器。我们使用一个运动学的自行车模型作为模拟器的真实动态的代理,并观察到通过这个代理模型的梯度足以优化背景交通轨迹。基于这一发现,我们提出了KING,它生成的安全关键驾驶场景的成功率比黑盒优化高20%。通过解决由国王使用特权规则为基础的专家算法产生的情况下,我们获得的模仿学习政策的训练数据。在对这些新数据进行微调后,我们发现该策略在避免碰撞方面变得更好。重要的是,我们生成的数据减少了通过KING生成的保留场景以及传统手工制作场景的冲突,证明了鲁棒性的提高。
2022-04-28 cs.CV cs.LG cs.RO
Requirement Identification for Traffic Simulations in Driving Simulators
本文提出一种基于研究阶段子目标的结构化方法,系统识别驾驶模拟器中的交通仿真需求,以保持高保真度,提升实验有效性和参与者参与度,支持汽车开发与测试。
2025-10-16 cs.RO cs.SE
Driving Simulator Platform for Development and Evaluation of Safety and Emergency Systems
University of São Paulo(圣保罗大学);Federal University of Lavras(拉夫拉斯联邦大学)
根据联合国的数据,全世界每天有3000多人死于道路交通碰撞。根据最近的研究,人为错误可能被认为是造成这些死亡的主要原因。正因为如此,研究人员寻求将车辆控制从人转移到自主系统的替代方案。然而,为人们提供这种技术创新可能需要在法律、经济和技术领域面临复杂的挑战。因此,汽车制造商和研究人员将驾驶自动化分为安全和应急系统,以改善驾驶员在道路上的感知。这可以减少人为错误。因此,本研究的主要贡献是提出一个驾驶模拟器平台,以开发和评估安全和应急系统,在第一个设计阶段。该驾驶模拟器平台具有一个优点:灵活的软件结构。这允许在模拟中对系统的开发或评估进行调整。建议的驾驶模拟器平台进行了测试,在两个应用程序:合作的车辆系统开发和驾驶辅助系统(\textit{DAS})对驾驶员的影响评价。在车辆协同系统开发中,研究结果表明,车辆间通信时延($V2V$)的增加对系统性能有决定性影响。另一方面,在驾驶员中的\textit{DAS}的影响评价中,可以得出\textit{DAS'}模型不具有驾驶员中避免事故所需的影响水平的结论。
2018-02-01 cs.CY cs.RO
How defensive driving enhances driving safety: A driving simulator study on drivers' defensive driving behaviors
College of Automotive and Energy Engineering, Tongji University(同济大学汽车与能源工程学院)
该研究通过驾驶模拟器实验,定义防御性驾驶,收集82名参与者数据并分组,经组间和试验间比较,发现防御性驾驶能力强的驾驶员能更激烈操作、更早识别风险并行动,提高驾驶安全性,为培训和算法训练提供依据。
2026-07-22 cs.HC cs.RO eess.SP
An Empirical Testing of Autonomous Vehicle Simulator System for Urban Driving
Swinburne University of Technology(斯威本科技大学)
安全是禁止自动驾驶汽车(AV)的主要挑战之一,要求它们在允许上路之前进行良好的测试。与道路试验相比,模拟器使我们能够方便和经济地验证AV。然而,目前还不清楚如何最好地使用基于AV的模拟器系统进行有效的测试。本文介绍了一种结合SVL模拟器和Apollo平台的AV模拟器系统的实证测试。我们提出了576个测试案例,这些案例的灵感来自于行人和周围汽车的四种自然驾驶情况。我们发现SVL可以模拟现实的安全和碰撞情况;同时,Apollo可以非常安全地驾驶汽车。另一方面,我们注意到该系统在四个类别中的三个类别中未能检测到道路上的行人或车辆,占测试场景总数的10.0%。我们进一步应用变形测试来识别系统中的不一致性,并增加了486个测试用例。然后,我们讨论了在现实生活中可能导致危险情况的场景的一些见解。总之,本文提供了一个新的经验证据,以加强断言,基于模拟器的系统可以是一个不可或缺的工具,全面测试的AV。
2021-09-10 cs.RO cs.SE
D-AWSIM: Distributed Autonomous Driving Simulator for Dynamic Map Generation Framework
Graduate School of Science and Engineering(科学与工程研究生学校)
针对自动驾驶扩展域的安全保障需求及实车实验、单主机模拟器的局限,提出分布式模拟器D-AWSIM,支持大规模传感器部署与密集交通模拟,搭建动态地图生成框架,提升吞吐量且兼容Autoware,助力信息共享策略研究。
2025-11-12 cs.RO
LCSim: A Large-Scale Controllable Traffic Simulator
Tsinghua University(清华大学);Beijing National Research Center for Information Science and Technology (BNRist)(北京信息科学与技术国家研究中心);Shanghai Lingang Senseauto Intelligent Technology Co., Ltd.(上海临港智己智能科技有限公司)
针对传统交通模拟器难以构建真实大规模交通场景的问题,本文提出LCSim大规模可控交通模拟器,通过统一数据格式、多数据源构建场景及集成扩散运动规划器,实现多样化驾驶风格的真实交通环境建模,为自动驾驶算法提供鲁棒基准测试工具。
2025-02-13 cs.RO
Investigating Lane-Free Traffic with a Dynamic Driving Simulator
Technical University of Munich(慕尼黑工业大学)
本文提出面向无车道交通(LFT)的驾驶模拟概念框架与场景矩阵,以研究人类行为、感知安全性及对LFT的接受度。
2023-11-05 cs.RO cs.SY eess.SY
Exploring the Influence of Driving Context on Lateral Driving Style Preferences: A Simulator-Based Study
Technical University Berlin(柏林工业大学);University of Applied Science Kempten(肯普滕应用科学大学);Institute for Driver Assistance and Connected Mobility(驾驶员辅助与互联移动研究所)
本文利用高保真驾驶模拟器开展德国受试者对照实验,考察天气与对向交通等情境下自动驾驶车辆的横向驾驶风格偏好,发现更被动风格更受偏好且情境显著影响舒适度。
2024-04-10 cs.RO cs.SY eess.SY
Two is Better Than One: Digital Siblings to Improve Autonomous Driving Testing
Università della Svizzera italiana (USI)(瑞士意大利语区大学);Technical University of Munich(慕尼黑工业大学);fortiss GmbH(fortiss有限公司);Università degli Studi di Udine(乌迪内大学)
针对自动驾驶仿真测试结果泛化性不足的问题,提出数字兄弟多仿真器测试方法,通过多仿真器协同、测试用例迁移与联合失效判定,提升了失效预测的准确性,为自动驾驶软件自动化测试提供了新方案。
2024-10-09 cs.AI cs.RO cs.SE
Insertion of real agents behaviors in CARLA autonomous driving simulator
University of Alcalá(阿尔卡拉大学);European Commission, Joint Research Centre (JRC)(欧盟委员会联合研究中心)
由于对快速原型和广泛测试的需求,仿真在自动驾驶中的作用变得越来越重要。使用基于物理的模拟具有多种好处和优势,成本合理,同时消除了原型,驾驶员和弱势道路使用者的风险。然而,有两个主要的限制。首先,众所周知的现实差距是指现实和模拟之间的差异,这阻碍了模拟自动驾驶体验实现有效的现实世界性能。第二,缺乏关于真实主体行为的经验知识,包括后备司机或乘客以及其他道路使用者,如车辆、行人或骑自行车的人。Agent模拟通常是预先编程确定性,随机概率或基于真实数据生成的,但它并不代表与特定模拟场景交互的真实Agent的行为。在本文中,我们提出了一个初步的框架,使真实的代理和模拟环境(包括自动驾驶汽车)之间的实时交互,并从模拟传感器数据从多个视图,可用于训练依赖于行为模型的预测系统生成合成序列。我们的方法集成了沉浸式虚拟现实和人体运动捕捉系统与自动驾驶的CARLA模拟器。我们描述了拟议的硬件和软件架构,并讨论了所谓的行为差距或存在。我们提出了初步的,但有希望的,结果支持这种方法的潜力,并讨论未来的步骤。
2022-09-28 cs.RO
Human-Machine Interface Evaluation Using EEG in Driving Simulator
Technical University of Munich(慕尼黑工业大学);Ulm University(乌尔姆大学)
本研究在静态驾驶模拟器中比较三种HMI设计,结合NASA-TLX、主观透明度测试与EEG频谱功率分析评估心理负荷,为心理生理测量研究提供基础。
2024-06-13 cs.HC cs.RO
Investigation by Driving Simulation of Tractor Overturning Accidents Caused by Steering Instability
Tokyo University of Agriculture and Technology(东京农工大学)
拖拉机翻倒是农场死亡的主要原因。转向不稳定性是导致拖拉机倾覆的重要原因。利用驾驶模拟器研究了由转向不稳定性引起的拖拉机倾覆事故。使用通用商业驾驶模拟器CarSim(Mechanical Simulation Cooperation,MI,USA)。对拖拉机在陡坡上的作业进行了模拟,以模拟日本报告的真实事故案例。在有斜坡和无斜坡的道路上进行了模拟。拖拉机只有在陡坡上才翻车。前轮上垂直力的减小导致转向不稳定和拖拉机倾覆。转向不稳定导致转向不足,这使得操作员无法正确控制拖拉机。随后,拖拉机在模拟中翻车。拖拉机驾驶模拟器能够再现导致翻车事故的转向不稳定性。
2021-01-09 cs.RO
HybridWorldSim: A Scalable and Controllable High-fidelity Simulator for Autonomous Driving
XPeng Motors;ShanghaiTech University(上海科技大学);University of Science and Technology of China(中国科学技术大学)
HybridWorldSim通过整合多遍神经重建与生成模型,实现高保真驾驶仿真,提供可扩展且可控的仿真环境及新的多遍数据集MIRROR,推动自动驾驶研究。
2026-09-01 cs.CV cs.RO
Unraveling the Effects of Synthetic Data on End-to-End Autonomous Driving
Shanghai Jiao Tong University(上海交通大学);New York University(纽约大学);ETH Zurich(苏黎世联邦理工学院);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)
针对现有自动驾驶合成数据生成模拟器的真实感、效率及交互性不足问题,提出基于3DGS的SceneCrafter模拟器,兼具高效数据生成与闭环评估能力,可显著提升端到端自动驾驶模型泛化性。
2025-03-23 cs.CV cs.RO
Autonomous Driving Simulator based on Neurorobotics Platform
Technical University of Munich(慕尼黑工业大学)
自动驾驶有很多人工智能算法,但直接将这些算法安装在车辆上是不现实的,而且成本很高。同时,这些算法中的许多需要环境来进行训练和优化。仿真是一种有价值和有意义的解决方案,具有培训和测试功能,可以说仿真是自动驾驶世界中的关键环节。也有许多不同的应用程序或模拟系统的公司或学院,如SVL和卡拉。这些模拟器标榜他们有最接近真实世界的模拟,但他们的环境对象,如行人和其他车辆周围的代理车辆,已经固定编程。它们只能沿着预先设定的轨迹移动,或者由随机数决定它们的移动。当所有的环境物体也被人工智能安装,或者它们的行为就像真人或其他驾驶员的自然反应时,会是什么情况?这个问题对于大多数仿真应用来说是一个盲点,或者这些应用不容易解决这个问题。来自TUM团队的神经机器人平台Alois Knoll教授提出了“引擎”和“收发器功能”的想法来解决多智能体问题。本报告将从对神经机器人平台的一点研究开始,并分析开发一种新的模拟器以实现真实世界模拟目标的潜力和可能性。然后,基于NRP核心平台,这个初步的开发旨在构建一个初步的演示实验。本文首先介绍了NRP-Core的基本知识及其安装,然后重点介绍了模拟实验所需的组件,最后介绍了集成了目标检测和自主控制的自主驾驶系统的具体结构。
2022-12-31 cs.AI cs.RO
DFKI Cabin Simulator: A Test Platform for Visual In-Cabin Monitoring Functions
German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心)
我们提出了一个测试平台的视觉舱内景物分析和乘员监测功能。该测试平台基于DFKI开发的驾驶模拟器,由逼真的舱内模型和广角投影系统组成,可提供逼真的驾驶体验。该平台配备了广角2D/3D摄像系统,可监控模拟器车辆模型的整个内部。它还配备了地面实况参考传感器系统,可以跟踪和记录乘客的身体运动,并与摄像机的2D和3D视频流同步。因此,由此产生的测试平台将作为验证众多舱内监控功能的基础,这些功能对于实现新型人车界面、高级驾驶员辅助系统和自动驾驶非常重要。其中考虑的功能是乘员存在检测,大小和3D姿态估计和驾驶员意图识别。此外,我们的平台将成为创建大规模舱内基准数据集的基础。
2020-02-11 cs.CV cs.HC cs.LG
HUGSIM: A Real-Time, Photo-Realistic and Closed-Loop Simulator for Autonomous Driving
Zhejiang University(浙江大学);Huawei(华为);University of Tübingen(蒂宾根大学);Tübingen AI Center(蒂宾根人工智能中心)
本文提出 HUGSIM 实时照片级真实感闭环自动驾驶仿真器,基于 3D Gaussian Splatting 构建动态环境,并提供多数据集、多场景基准以评估和微调自动驾驶算法。
2024-12-02 cs.CV cs.RO
A Comprehensive Review of Reinforcement Learning for Autonomous Driving in the CARLA Simulator
本综述系统分析约100篇CARLA模拟器中的强化学习自动驾驶论文,提出统一分类法,指出超80%研究依赖无模型方法,并总结评估指标与开放挑战,为新手和后续研究提供参考与路线图。
2025-09-10 cs.RO
Challenges of Data-Driven Simulation of Diverse and Consistent Human Driving Behaviors
Aalto University(阿尔托大学)
提出一种数据驱动的数学框架以更真实地模拟人类驾驶行为的多样性与一致性,并通过NGSIM数据集验证了其相较于基于物理模型的优势。
2024-01-06 cs.RO