Roadside LiDAR Assisted Cooperative Localization for Connected Autonomous Vehicles
The University of Tokyo(东京大学)
针对依赖高清3D点云地图的车辆LiDAR定位方法在地图缺失或特征不足时精度下降的问题,提出利用路侧LiDAR单元与V2I通信辅助网联自动驾驶车辆定位的方法,仿真显示其定位精度优于传统NDT扫描匹配方法。
2024-07-11 cs.RO
Predictive Braking on a Nonplanar Road
Brembo(布雷博);Brembo Inspiration Lab(布雷博灵感实验室)
提出一种在非平面道路上对四轮车辆进行预测性制动的方法,通过考虑摩擦力与道路接触安全性开发主动安全系统,预先降低车速以应对如反向倾斜弯道等路况,有效缓解驾驶员错误导致的失控。
2024-06-03 cs.RO
Implementation of Road Safety Perception in Autonomous Vehicles in a Lane Change Scenario
Johannes Kepler University Linz(林茨约翰内斯·开普勒大学)
理解人类驾驶行为对于开发自动驾驶汽车算法至关重要。然而,大多数低级自动化,例如高级驾驶辅助系统(ADAS)中的自动化,都是基于客观的安全措施,这些措施并不总是与驾驶员认为安全的内容及其相应的驾驶行为保持一致。本文分析了在主观感知和客观安全措施之间寻找桥梁的问题,特别关注换道场景。结果表明,什么是被认为是安全的驾驶员和客观的指标,这取决于具体的机动和位置的司机之间的统计显着差异。
2022-11-02 cs.RO
Steer with Me: A Predictive, Potential Field-Based Control Approach for Semi-Autonomous, Teleoperated Road Vehicles
Technical University of Munich (TUM)(慕尼黑工业大学)
自动驾驶是未来最有前途的交通安全技术之一。如今,自动驾驶汽车的原型已经在公共街道上进行了测试。然而,尽管目前的原型证明了真正无人驾驶汽车的可行性,但边缘情况仍然需要依靠人类操作员。遥控驾驶是一种允许人类通过移动无线电网络远程控制车辆的解决方案。因此,取消车载驾驶员将使当前的自动驾驶技术进一步发展成为真正的无人驾驶系统。本文提出了一种新的模型预测转向控制方案,专门为半自主,遥控道路车辆设计。控制器能够接收遥控操作员的转向命令,并且在潜在碰撞的情况下,自动校正这些命令。碰撞避免被纳入使用势场的设计。成本函数中的一个项有助于自然机动,并且对最大潜力的约束使车辆保持与障碍物的安全距离。本文还提出了使用高阶椭圆作为一种方法,以准确地模拟矩形障碍物在紧张的驾驶场景。仿真结果证明了该方法的有效性。
2020-06-28 cs.RO
Vehicle-road Cooperative Simulation and 3D Visualization System
由于车载传感器感知能力的限制,单车自动驾驶技术的安全性受到限制。而车路协同技术通过扩大感知范围、提高感知精度、缩短响应时间,可以克服这些限制,提高交通安全和效率。然而,这种技术仍在开发中;它需要严格的测试和验证方法,以确保技术的可靠性和可信度。本文主要研究了三个方面的内容:(1)分析了车路协同系统的功能特征,指出了车路协同系统与传统的单车自主驾驶系统的区别:(2)对车路协同系统的功能特征进行了细化和分类;(3)设计和开发仿真系统,并提供可视化界面,方便开发和分析。通过实验验证了该方法的有效性.
2022-07-14 cs.AI cs.RO
RoadGen: Generating Road Scenarios for Autonomous Vehicle Testing
School of Computer Science, Fudan University(复旦大学计算机科学学院)
针对自动驾驶车辆测试中道路场景拓扑与几何多样性不足的问题,提出RoadGen方法,通过连接八种参数化道路组件生成多样化道路场景,经评估验证其有效性与实用性。
2024-11-29 cs.RO cs.SE
Smart Roads: Roadside Perception, Vehicle-Road Cooperation and Business Model
Xidian University(西安电子科技大学);Guangzhou Institute of Technology, Xidian University(西安电子科技大学广州研究院);Eindhoven University of Technology(埃因霍温理工大学);Nanyang Technological University(南洋理工大学);University of Oslo(奥斯陆大学);Simula Metropolitan Center for Digital Engineering(西穆拉大都会数字工程中心)
针对智慧道路路侧设备部署盈利难、自动驾驶商业化推广受阻的问题,提出车路协同自动驾驶的智慧道路车辆引导架构及对应商业模式,仿真验证其可提升安全与效率,且具备更优的经济收益。
2023-10-19 cs.RO cs.SY eess.SP
UAV-based Intelligent Information Systems on Winter Road Safety for Autonomous Vehicles
University of Oulu(奥卢大学)
针对冬季恶劣天气下车道宽度受限易引发自动驾驶汽车事故的问题,本研究提出含道路分割与宽度估算模型的方法,从无人机和自动驾驶汽车双视角获取信息,以提升自动驾驶汽车冬季路况下的适应与决策能力。
2024-06-18 cs.AI cs.CV cs.RO
JuncNet: A Deep Neural Network for Road Junction Disambiguation for Autonomous Vehicles
Indian Institute of Science(印度科学学院)
随着自主车辆或自动驾驶汽车领域的大量研究,道路检测和跟踪算法已经取得了相当大的进展。这些算法中的大多数使用GPS来处理道路交叉口及其后续决策。然而,在城市环境中存在变得难以获得GPS定位的地方,这使得路口决策处理错误或可能有风险。然而,基于视觉的接合点检测不存在这样的问题。本文提出了一种新的深度卷积神经网络架构,用于以高精度消除道路交叉口的歧义。该网络以AlexNet和VGGnet等其他知名分类网络架构为基准。此外,我们讨论了一个潜在的道路导航方法,它使用所提出的网络模型。最后,我们通过在印度科学研究所(IISc)的道路上对经过训练的网络和导航方法进行了实验验证。
2018-08-31 cs.CV cs.RO
IROAM: Improving Roadside Monocular 3D Object Detection Learning from Autonomous Vehicle Data Domain
Institute for AI Industry Research (AIR), Tsinghua University(清华大学人工智能产业研究院(AIR));School of Software, Beihang University(北京航空航天大学软件学院)
针对车载与路侧摄像头视点域差异导致单目3D检测不适用的问题,提出语义-几何解耦对比学习框架IROAM,通过域内查询交互与跨域查询增强模块学习跨域信息,有效提升了路侧检测器性能。
2025-01-30 cs.CV cs.RO
DiffRoad: Realistic and Diverse Road Scenario Generation for Autonomous Vehicle Testing
Shanghai Jiao Tong University(上海交通大学);Shanghai University(上海大学);Shanghai Institute of Technology(上海应用技术大学);National University of Singapore(新加坡国立大学)
提出DiffRoad扩散模型,通过逆向去噪过程和Road-UNet架构生成可控高保真3D道路场景,并利用道路连续性与合理性指标筛选场景,为自动驾驶测试提供丰富场景库。
2024-11-14 cs.AI cs.LG cs.RO
Affordable Modular Autonomous Vehicle Development Platform
Ashesi University(阿什西大学)
据估计,道路交通事故是全球所有年龄组的第九大死亡原因。1.25每年有100万人死于道路交通事故,非洲的道路交通死亡率最高[1]。研究表明,五分之三的交通事故是由驾驶员相关行为因素引起的[2]。自动驾驶技术有可能挽救因这些可预防的交通事故而丧生的生命。非洲占道路死亡人数的大多数,因此将从这项技术中受益匪浅。然而,财政限制阻碍了非洲对自动驾驶技术进行可行的实验和研究。本文介绍了RollE的设计,一个负担得起的模块化自动驾驶汽车的开发平台。它能够通过远程控制进行数据汇集,也能够使用卷积神经网络进行自动驾驶。该系统旨在为学生和研究人员提供负担得起的自动驾驶汽车,以开发和测试自动驾驶汽车技术。
2020-06-20 cs.LG cs.RO
Leveraging GNSS and Onboard Visual Data from Consumer Vehicles for Robust Road Network Estimation
Woven by Toyota, Inc.(丰田 woven 公司);University of Bonn(波恩大学);Center for Robotics, University of Bonn(波恩大学机器人中心);Lamarr Institute for Machine Learning and Artificial Intelligence(拉马尔机器学习与人工智能研究所)
提出融合消费级车辆 GNSS 轨迹与车载图像,以 CNN 语义分割道路中心线并结合地图匹配细化,实现自动化道路图构建,在复杂道路上显著优于现有方法。
2024-08-03 cs.CV cs.RO
Navigating Autonomous Vehicle on Unmarked Roads with Diffusion-Based Motion Prediction and Active Inference
Rutgers University – New Brunswick(罗格斯大学新布朗斯维克分校)
本文提出将基于扩散的运动预测器整合到主动推理框架中,以解决无标线道路上自动驾驶车辆的控制问题,相比MPC和RL方法,该方法降低了计算需求和训练量,提升了导航安全性与效率。
2024-05-31 cs.RO cs.SY eess.SY
Procedural Generation of Complex Roundabouts for Autonomous Vehicle Testing
Bangladesh University of Engineering and Technology(孟加拉国工程技术大学);University of California Santa Cruz(加州大学圣克鲁兹分校)
针对自动驾驶测试中高清道路仿真需求,本文提出一种依据邻近道路几何约束、支持任意角度接入的复杂环岛程序化生成方法,可生成贴近真实的非正圆车道并集成于道路生成或场景测试。
2023-08-14 cs.AI cs.RO
The Earth ain't Flat: Monocular Reconstruction of Vehicles on Steep and Graded Roads from a Moving Camera
Robotics Research Center, KCIS, IIIT Hyderabad(印度海得拉巴国际信息技术研究所 KCIS 机器人研究中心);Montreal Institute of Learning Algorithms (MILA), Universite de Montreal(蒙特利尔大学蒙特利尔学习算法研究所)
对其他交通参与者的准确定位是自动驾驶系统中的一项重要任务。最先进的系统采用RGB相机和LiDAR等传感模式的组合来定位交通参与者,但大多数此类演示仅限于平坦的道路。我们证明,据我们所知,单目物体定位和形状估计的表面上,不共享同一平面与移动单目相机的第一个结果。我们近似路面的局部平面补丁,并使用语义线索从车辆在场景中初始化一个本地的战斗调整一样的过程,同时估计的姿态和形状的车辆,以及当地的地面上的车辆的立场以及方向。我们在KITTI和SYNTHIA-SF基准测试中针对各种道路平面配置评估了所提出的方法。所提出的方法显着提高了国家的最先进的任意形状的道路上的单目物体定位。
2018-03-06 cs.CV cs.LG cs.RO
Maximizing Road Capacity Using Cars that Influence People
University of California, Santa Barbara(加州大学圣巴巴拉分校);Stanford University(斯坦福大学)
实现车辆自动驾驶的新兴技术导致了交通网络中的各种新问题,例如自动驾驶车辆的规划和感知。其他作品考虑社会目标,如减少燃料消耗和旅行时间的排队。然而,这些策略受到周围人类驾驶员的行动的限制。在本文中,我们考虑通过有计划的互动影响人类行为,积极主动地实现这些社会目标。我们的关键见解是,我们可以利用这些社会目标来设计影响人类行为的本地互动,以实现这些目标。为此,我们的特点是增加道路容量所提供的排队,以及车辆配置,最大限度地提高道路容量。我们提出了一种新的算法,使用一个低层次的控制框架,利用当地的相互作用,以最佳的重新安排车辆。我们使用自动驾驶和人类驾驶车辆之间共享的模拟道路来展示我们的算法,在其中我们说明了行动中的重新排序。
2018-10-09 cs.RO math.OC
V2V-based Collision-avoidance Decision Strategy for Autonomous Vehicles Interacting with Fully Occluded Pedestrians at Midblock on Multilane Roadways
Clemson University(克莱姆森大学);Nan Ya Plastics Co. America(南亚塑胶美国公司);TSMC(台积电);Arcadis Inc.(凯谛思公司)
行人遮挡对于多车道道路上的中间街区位置的自动驾驶车辆(AV)来说是具有挑战性的,因为AV无法检测到被相邻车道中的下游车辆完全遮挡的行人。本文测试了AV和其下游车辆之间的车辆对车辆(V2V)通信的能力,以共享中间街区行人过街信息。研究人员开发了一种基于V2V的碰撞避免决策策略,并将其与基本场景(即,不使用V2V的决策策略)。仿真结果表明,对于基本场景,接近零的碰撞时间(TTC)表明没有时间让AV采取适当的行动,并导致戏剧性的制动后发生碰撞。但基于V2V的防撞决策策略允许采用比例制动方法来增加TTC,从而使行人能够安全通过。综上所述,基于V2V的防撞决策策略具有更高的安全效益的AV互动与完全闭塞的行人在多车道道路上的中间块位置。
2023-03-23 cs.RO cs.SY eess.SY
Safe Driving Capacity of Autonomous Vehicles
Department of Electrical Engineering(电气工程系);National Taiwan University(国立台湾大学)
本文通过线性时序逻辑定义道路和车辆的安全状态,提出安全驾驶吞吐量和容量概念,分析不同因素对安全驾驶吞吐量的影响,并比较基于感知和协作车辆的道路安全驾驶容量差异。
2018-05-26 cs.RO cs.SY eess.SP
Vehicle-in-Virtual-Environment (VVE) Based Autonomous Driving Function Development and Evaluation Methodology for Vulnerable Road User Safety
Automated Driving Lab, Ohio State University(俄亥俄州立大学自动驾驶实验室)
针对传统仿真与公共道路测试在弱势道路使用者安全方面的不足,提出融合 MIL、HIL 与 VVE 的测试流程,并以带局部深度强化学习修正的路径跟踪避撞算法验证。
2025-01-10 cs.RO cs.SY eess.SY
SalsaNet: Fast Road and Vehicle Segmentation in LiDAR Point Clouds for Autonomous Driving
Halmstad University(哈尔姆斯塔德大学);Volvo Technology AB(沃尔沃技术公司)
在本文中,我们介绍了一种深度编码器-解码器网络,名为SalsaNet,用于3D LiDAR点云的有效语义分割。SalsaNet通过采用点云的鸟瞰图(BEV)图像投影来分割道路(即可驾驶的自由空间)和场景中的车辆。为了克服缺乏注释的点云数据,特别是对于路段,我们引入了自动标记过程,该过程将自动生成的标签从相机传输到LiDAR。我们还通过比较BEV与球形前视图投影来探索LiDAR数据的类图像投影在语义分割中的作用,并表明SalsaNet是投影不可知的。我们对KITTI数据集进行了定量和定性评估,结果表明,所提出的SalsaNet在准确性和计算时间方面优于其他最先进的语义分割网络。我们的代码和数据可在https://gitlab.com/aksoyeren/salsanet.git上公开获取。
2019-09-18 cs.CV cs.RO
Towards Identifying and closing Gaps in Assurance of autonomous Road vehicleS -- a collection of Technical Notes Part 2
本报告介绍和概述了在“识别和缩小自动驾驶汽车保证差距”(Towards Identifying and Closing Gap in Assurance of Autonomous Road Vehicles,Tigars)项目中编制的技术专题说明(TTN)。这些说明旨在支持自动驾驶汽车的开发和评估。第1部分涉及:保证-概述和问题,弹性和安全要求,开放系统视角和ML系统的形式化验证和静态分析。本报告是第2部分,讨论:模拟和动态测试,深度和多样性防御,安全信息安全分析,标准和指南。
2020-02-28 cs.RO cs.SE cs.SY
Deep Neural Network Based Roadwork Detection for Autonomous Driving
本文提出一种实时系统,结合YOLO网络和LiDAR数据,用于自动驾驶车辆检测并定位道路施工区域,提升施工区域导航安全性。
2026-04-02 cs.CV cs.RO
Simulation-based Analysis of a Novel Loop-based Road Topology for Autonomous Vehicles
McMaster University(麦克马斯特大学);HU SUNWAY Inc.(HU SUNWAY公司)
本文针对自动驾驶交叉路口导航难题,基于SUMO和MATLAB/Simulink对比分析了一种无需传统交通控制的Zonal Road Topology,发现其在出行效率、通行能力和能耗方面优于传统拓扑。
2024-02-03 cs.RO cs.SY eess.SY
Towards Identifying and closing Gaps in Assurance of autonomous Road vehicleS -- a collection of Technical Notes Part 1
本报告介绍和概述了在“识别和缩小自动驾驶汽车保证差距”(Towards Identifying and Closing Gap in Assurance of Autonomous Road Vehicles,Tigars)项目中编制的技术专题说明(TTN)。这些说明旨在支持自动驾驶汽车的开发和评估。第1部分涉及:保证-概述和问题,弹性和安全要求,开放系统视角和ML系统的形式化验证和静态分析。第2部分:模拟和动态测试,深度和多样性防御,安全信息安全分析,标准和指南。
2020-02-28 cs.LG cs.RO cs.SE
MCRL4OR: Multimodal Contrastive Representation Learning for Off-Road Environmental Perception
Chinese Academy of Sciences(中国科学院)
针对越野环境难以密集标注的问题,提出MCRL4OR多模态对比表示学习方法,对齐运动状态与视觉-控制融合特征,预训练后在下游感知任务中表现优越。
2025-01-23 cs.AI cs.CV cs.RO
Optimal Placement of Roadside Infrastructure Sensors towards Safer Autonomous Vehicle Deployments
Centre of Excellence for Testing & Research of AVs - NTU (CETRAN)(南洋理工大学自动驾驶车辆测试与研究卓越中心(CETRAN));Nanyang Technological University(南洋理工大学);Siemens Mobility Pte. Ltd.(西门子交通私人有限公司)
具有自动驾驶功能的车辆正在越来越多地被开发用于世界各地的部署。然而,这种自动或自主车辆(AV)的车载感测和感知能力可能不足以确保在所有场景和背景下的安全性。使用路边基础设施传感器的道路结构增强的环境感知可以被认为是一种有效的解决方案,至少对于所选择的感兴趣区域,例如城市道路交叉口或弯曲的道路,这些道路对AV造成遮挡。然而,它们在采购、安装和维护方面产生了巨大的成本。因此,这些传感器必须战略性地和最佳地放置,以在道路使用者的整体安全方面产生最大效益。在本文中,我们提出了一种新的方法来获得V2X(车辆到一切)基础设施传感器的最佳放置,这对城市AV部署特别有吸引力,包括成本,覆盖范围和冗余等各种考虑因素。我们结合了光线投射和线性优化文献的最新进展,为城市规划者、交通分析和AV部署运营商提供了一个工具。通过在典型环境中的实验评估,我们证明了我们的方法的好处和实用性。
2021-10-04 cs.AI cs.NI cs.RO
An Improved Deep Convolutional Neural Network-Based Autonomous Road Inspection Scheme Using Unmanned Aerial Vehicles
Kumoh National Institute of Technology(国立金乌工科大学)
人工智能(AI)的进步为开发自主设备提供了很好的机会。这项工作的贡献是一个改进的卷积神经网络(CNN)模型及其实现的道路裂缝,坑洼,和黄色车道的道路检测。黄色车道检测与跟踪的目的是通过跟随黄色车道,实现无人机的自主导航,同时通过WIFI或5G介质检测并向服务器报告道路裂缝和坑洼。建立自己的数据集是一项繁忙而耗时的任务。使用默认和改进的模型创建、标记和训练数据集。这两种模型的性能是基准方面的准确性,平均平均精度(mAP)和检测时间。在测试阶段,据观察,改进后的模型的性能更好的精度和mAP方面。改进后的模型在无人机上实现,使用机器人操作系统,通过无人机前置摄像头视觉实时自主检测道路中的坑洼和裂缝。
2020-08-14 cs.CV cs.LG cs.RO
Adaptive Road Configurations for Improved Autonomous Vehicle-Pedestrian Interactions using Reinforcement Learning
Imperial College London(伦敦帝国理工学院)
自动驾驶汽车(AV)的部署为未来城市道路基础设施的设计和管理带来了巨大的挑战和独特的机遇。鉴于这种破坏性的转变,道路空间的路权(ROW)组成有可能被更新。设计方法和智能控制模型已被提出来解决这个问题,但我们缺乏一个操作框架,可以动态生成自动驾驶汽车和行人的ROW计划,以响应实时需求。基于微观交通仿真,本研究探讨强化学习(RL)方法演化道路组成。我们实现了一个集中的范式和分布式学习范式分别进行动态控制的几个道路网络配置。实验结果表明,该算法具有提高交通流效率和为行人分配更多空间的潜力。此外,分布式学习算法在计算成本(49.55%)、基准奖励(25.35%)、最佳累积奖励(24.58%)、最优动作(13.49%)和收敛速度方面优于集中式算法。这种新颖的道路管理技术可能有助于在自动驾驶汽车时代实现流量自适应和主动移动友好的街道。
2023-03-22 cs.AI cs.LG cs.RO
Interaction of Autonomous and Manually-Controlled Vehicles:Implementation of a Road User Communication Service
Johannes Kepler University Linz(林茨约翰内斯·开普勒大学)
自动化程度不同的车辆之间的通信越来越具有挑战性,因为高度自动化的车辆无法解释其他道路使用者的非语言标志。对道路缺乏了解导致对自动驾驶汽车的信任度降低,并损害交通安全。为了解决这些问题,我们提出了道路用户通信服务,一个软件即服务平台,它为不同自动化程度的车辆提供信息交换和云计算服务。为了检查所提出的解决方案的可操作性,在测试轨道上进行了现场测试,其中自主JKU-ITS研究车辆通过实施的服务请求手动控制车辆中的驾驶员的状态。测试结果验证了该方法作为通信平台的可行性。提供了源代码的链接。
2022-04-28 cs.RO
Automatic Generation of Road Geometries to Create Challenging Scenarios for Automated Vehicles Based on the Sensor Setup
Institute of Automotive Technology, Technical University of Munich(慕尼黑工业大学汽车技术研究所)
对于自动驾驶汽车的离线安全评估,必须有效地识别最具挑战性和关键性的场景。因此,我们提出了一种新的方法来定义具有挑战性的场景的基础上的传感器设置模型的自我车辆。首先,使用A* 算法计算道路使用者到自我车辆的静态最优接近路径。我们认为自动驾驶汽车对道路使用者的感知较差是最佳的,因为我们希望定义尽可能关键的场景。然后将路径转换为动态场景,在动态场景中确定道路使用者的轨迹和道路布局。其结果是一个最佳的道路几何形状,使自我车辆可以感知接近的对象尽可能差。我们工作的重点是高速公路作为运营设计领域(ODD)。
2020-08-26 cs.RO
Vehicle Localization and Control on Roads with Prior Grade Map
University of California, Berkeley(加州大学伯克利分校)
本文提出了一种基于地图的车辆定位方法。该方法利用道路坡度图和车载传感器测量的先验知识来准确地估计车辆的纵向位置。实时定位对于利用位置相关信息进行规划和控制的系统至关重要。我们验证了分层控制系统的定位方法的有效性。高级规划器通过利用交通状况和道路坡度数据来优化车辆速度,以最小化给定路线的能量消耗。较低的水平是巡航控制系统,跟踪位置相关的最佳参考速度。所提出的定位算法的性能进行评估,使用仿真和实验。
2018-09-11 cs.RO
Vehicle Trajectory Tracking Through Magnetic Sensors: A Case Study of Two-lane Road
Xidian University(西安电子科技大学);Xidian University Guangzhou Institute of Technology(西安电子科技大学广州研究院)
本文首次提出利用低成本磁传感器沿道路连续检测和跟踪车辆的监控系统,通过基于图的数据关联算法和在线算法框架生成车辆轨迹,实验证明其能经济有效地捕获车辆行驶状态并支持交通安全应用。
2024-03-25 cs.RO
Path Optimization for Ground Vehicles in Off-Road Terrain
Texas A&M University(德克萨斯农工大学)
我们提出了一种方法,在越野环境中,在高速的地面车辆的路径优化。该路径优化考虑了车辆的运动学约束。通过在致动器空间中的思考,我们可以将这些约束表示为空间中的限制,而不是路径的派生属性。在本文中,我们提出了一种用于越野地面车辆路径优化的致动器空间方法。这是通过将路径上的操作表示为路径长度上的转向角列表来完成的。这将运动学约束的集合转换为对转向角的约束。然后,我们将此路径放入梯度下降求解器。这产生了运动学上可行的路径,并根据我们的成本函数进行了优化。最后,我们在仿真和越野车上以5 m/s的速度测试了该系统。
2021-01-04 cs.RO
Online Multi-Target Tracking for Maneuvering Vehicles in Dynamic Road Context
Singapore-MIT Alliance for Research and Technology(新加坡-麻省理工学院研究与技术联盟);National University of Singapore(新加坡国立大学);Massachusetts Institute of Technology(麻省理工学院)
目标检测和跟踪为自动驾驶中的运动规划和决策提供了重要信息。针对动态道路环境下机动车辆运动不确定性问题,提出了一种基于检测跟踪的在线多目标跟踪框架。我们采用基于点云的车辆检测器,提供实时的3D边界框检测车辆和进行在线二分优化的检测和目标之间的面向对象的数据关联。采用卡尔曼滤波器(KF)作为多目标跟踪的骨干。为了考虑机动的不确定性,我们利用交互多模型(IMM)的方法来获得\textit{a-posterior}残差作为每个关联假设的成本,这是计算与混合模型后验(模式切换后)。道路上下文被集成到进行调整的时变转移概率矩阵(TPM)的IMM调节的机动根据路段和交通标志/信号,与数据关联被执行在一个统一的时空的方式。实验表明,我们的框架是能够有效地跟踪多个车辆的机动动态道路上下文和本地化漂移。
2019-12-02 cs.RO
A Distributed Model Predictive Control Framework for Road-Following Formation Control of Car-like Vehicles (Extended Version)
École des Ponts ParisTech(巴黎路桥学院)
这项工作提出了一种新的框架,在道路环境中的多自主地面车辆的编队控制。该问题的独特挑战在于:1)在高度结构化的环境中设计与障碍物和其他车辆的碰撞避免策略,2)动态重新配置编队以处理不同的任务规范。在本文中,我们设计了一个本地MPC为基础的跟踪控制器,每个单独的车辆遵循一个参考轨迹,同时满足各种约束(运动学和动力学,碰撞避免,\textit{etc.})。基于预定义的编队树,车辆的参考轨迹是根据其领导者的轨迹计算的。我们使用逻辑规则来组织成员车辆的避碰行为。此外,我们提出了一种方法来安全地重新配置的编队飞行。所提出的框架已被验证使用高保真模拟。
2016-04-29 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
CAROM -- Vehicle Localization and Traffic Scene Reconstruction from Monocular Cameras on Road Infrastructures
Arizona State University(亚利桑那州立大学);Exponent(Exponent公司)
本文提出CAROM框架,利用道路基础设施单目摄像头实现车辆定位与交通场景重建,并通过包含GPS、路侧视频和无人机视频的基准数据集验证,在50米和120米范围内定位误差分别约为0.8米和1.7米。
2023-05-31 cs.RO
High-Slip-Ratio Control for Peak Tire-Road Friction Estimation Using Automated Vehicles
Civil & Environmental Engineering Department, University of Wisconsin, Madison(威斯康星大学麦迪逊分校土木与环境工程系)
本文提出一种高滑移比控制框架,通过主动激励峰值摩擦区域实现自动化车辆的准确TRFC估计,结合非线性轮胎模型和约束优化策略,提升道路摩擦识别的精度与安全性。
2026-03-10 cs.RO
Multi-Object Tracking with Interacting Vehicles and Road Map Information
Ulm University(乌尔姆大学)
在许多应用中,跟踪多个对象对于感知当前环境至关重要。现有的多目标跟踪算法大多假设目标相对于其他动态目标以及静态环境独立运动。由于在许多交通情况下,物体相互作用,此外还有由于可行驶区域的限制,独立物体运动的假设不成立。本文提出了一种适应多目标跟踪系统的方法来模拟车辆之间的相互作用,和当前的道路几何形状。因此,扩展了标记多伯努利滤波器的预测步骤,以便于使用智能驱动程序模型对对象之间的交互进行建模。此外,为了考虑道路地图信息,使用高精度道路地图的近似。实验结果表明,在违反标准运动模型假设的情况下,采用该方法的跟踪系统具有更高的跟踪精度和鲁棒性。
2018-12-20 cs.RO
On-Road Motion Planning for Automated Vehicles at Ulm University
University of Ulm(乌尔姆大学)
乌尔姆大学的测量、控制和微技术研究所研究先进的驾驶辅助系统已有数十年,主要集中在自动驾驶方面。众所周知,运动规划是自动驾驶的关键技术。它首先负责车辆乘客以及周围所有交通参与者的安全。然而,进一步的任务在于提供平稳和舒适的驾驶行为。在乌尔姆,我们有机会在公共交通和各种场景的真实条件下测试我们的算法。在本文中,我们希望让读者了解我们的工作,关于车辆,测试轨道,以及相关的问题,挑战和解决方案。因此,我们将描述运动规划系统并解释所实现的功能。此外,我们将展示我们的车辆如何在公共道路交通中行驶,以及如何应对具有挑战性的场景,例如驾驶通过环形交叉口和十字路口。
2021-06-02 cs.RO
CAHSOR: Competence-Aware High-Speed Off-Road Ground Navigation in SE(3)
George Mason University(乔治梅森大学)
针对高速越野车辆在SE(3)中的稳定性问题,提出CAHSOR方法,利用6自由度运动模型和TRON地形表示,实现能力感知导航,减少62%不稳定性,仅牺牲8.6%速度。
2025-03-24 cs.RO
A Unified Taxonomy for Automated Vehicles: Individual, Cooperative, Collaborative, On-Road, and Off-Road
RISE Research Institutes of Sweden(瑞典RISE研究院);Qamcom Research and Technology AB(Qamcom研究与技术公司)
本文回顾并扩展了自动驾驶车辆分类法,涵盖单车、协同与协作AVs在公路与非公路场景下的用例,并引入新协作类别及适用于额外功能的自动化等级。
2023-04-05 cs.RO cs.SY eess.SY
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
Multi-Sensor Fusion Method using Dynamic Bayesian Network for Precise Vehicle Localization and Road Matching
LORIA-INRIA Lorraine(洛里亚-洛林因里亚研究所);LAGIS-CNRS UMR 8146 Polytech'Lille(里尔理工大学LAGIS-CNRS联合研究所UMR 8146)
本文提出了一种新的道路匹配方法,旨在支持先进的驾驶辅助系统中的实时导航功能的多传感器融合策略。管理多假设是解决道路匹配问题的有效策略。利用动态贝叶斯网络实现了多传感器融合和多模态估计。实验结果,使用来自防抱死制动系统(ABS)传感器,差分全球定位系统(GPS)接收器和准确的数字路线图的数据,说明了这种方法的性能,特别是在模糊的情况下。
2007-09-07 cs.AI cs.RO
Introducing ROADS: A Systematic Comparison of Remote Control Interaction Concepts for Automated Vehicles at Road Works
Ulm University(乌尔姆大学);UCL Interaction Centre(伦敦大学学院交互中心);RISE Research Institutes of Sweden(瑞典RISE研究院);University of Salzburg(萨尔茨堡大学);AIT Austrian Institute of Technology(奥地利技术研究院)
本文提出 ROADS 并通过 23 人受试者内实验比较三种远程控制交互概念,发现路径规划最受偏好且可用性最高。
2025-02-18 cs.HC cs.RO
Multi-Vehicle Interaction Scenarios Generation with Interpretable Traffic Primitives and Gaussian Process Regression
Carnegie Mellon University(卡内基梅隆大学)
当道路数据不足时,生成多车辆交互场景可以有益于自主车辆的运动规划和决策制定。本文提出了一种有效的方法来生成不同的多车辆交互场景,既可以适应不同的道路几何形状,并继承在现实世界中的驾驶的关键交互模式。为此,可用的多车辆相互作用的情况下,时间分割成几个可解释的基本构建块,称为交通原语,通过贝叶斯非参数学习。然后,通过基于采样的路径规划算法,将交通基元的变点转化为期望的道路,生成无碰撞的交互轨迹。最后引入高斯过程回归来控制生成的多车辆交互轨迹的方差和平滑度。对三种典型的多车运动轨迹进行了仿真实验。实验结果表明,我们提出的方法可以生成一堆类似人类的多车交互轨迹,可以适应不同的道路条件下保持在提供的场景中的代理的关键交互模式,这是进口的自主车辆的发展。
2019-10-08 cs.LG cs.RO
Autonomous Road Vehicle Emergency Obstacle Avoidance Maneuver Framework at Highway Speeds
The Ohio State University(俄亥俄州立大学)
自主道路车辆(ARV)可以使用诸如油门(加速)、制动(减速)和转向(横向方向的改变)的输入来导航各种类型的道路网络。在大多数涉及正常车辆交通和遇到易受伤害的道路使用者(VRU)的抗逆转录病毒药物驾驶场景中,不要求抗逆转录病毒药物采取规避行动。本文提出了一种新的紧急避障机动(EOAM)的方法,ARV行驶在较高的速度和较低的路面摩擦,涉及时间临界机动的确定和控制。所提出的EOAM框架提供了ARV的传感,感知,控制和致动系统能力作为一个内聚系统的使用,以实现避免道路上的障碍物,首先基于性能可行性,其次基于乘客舒适性,并且被设计为很好地集成在ARV高级系统内。联合仿真包括Simulink中的ARV EOAM逻辑和CarSim中的车辆模型,速度范围为55至165 km/h,路面摩擦力范围为1.0至0.1。结果进行了分析,并给出了在整个ARV系统的背景下,与未来的工作的影响。
2022-03-29 cs.RO cs.SY eess.SY
TriDrive: Joint Driver, Vehicle, and Road Modeling for Forecasting and Driver Monitoring
TriDrive是首个联合预测驾驶员、车辆和道路的统一框架,通过自动化条件转移模型和有向残差连接提升预测性能,并在实时车载评估中优于基线。
2026-09-29 cs.CV cs.RO
Multi-Vehicle Trajectory Optimisation On Road Networks
Rio Tinto Centre for Mining Automation(力拓矿业自动化中心);Australian Centre for Field Robotics(澳大利亚野外机器人中心);Faculty of Engineering and IT, University of Sydney(悉尼大学工程与信息技术学院)
本文研究了多个合作智能体在静态道路网络中沿指定路径规划时间最优轨迹的问题。车辆在交叉口的相互作用产生了重要的决策,并对后续的相互作用产生了复杂的流动效应。一个全局最优的,最小的时间轨迹,发现所有车辆使用混合线性规划(MILP)。通过使用迭代应用的目标碰撞约束和有效的目标约束最小化二进制变量来提高计算性能。在露天采矿的情况下,模拟结果比较所提出的方法对快速探试法和反应式方法的基础上,现场的做法。启发式的规模更好地与问题的大小,而MILP是能够避免局部极小值。
2018-10-05 cs.MA cs.RO
Dom, cars don't fly! -- Or do they? In-Air Vehicle Maneuver for High-Speed Off-Road Navigation
Department of Computer Science, George Mason University(计算机科学系,乔治·马歇尔大学)
本文提出了一种基于混合前向动力学模型的空中车辆操控方法,通过车辆控制实现高速越野导航中的精准空中 maneuver。
2025-03-24 cs.RO cs.SY eess.SY
An Iterative LQR Controller for Off-Road and On-Road Vehicles using a Neural Network Dynamics Model
Texas A&M University(德克萨斯A&M大学)
本文提出结合神经网络动力学模型与ILQR的轨迹跟踪控制器,并用MPC补偿模型误差,在越野和道路车辆上验证其跟踪性能。
2020-07-28 cs.LG cs.RO cs.SY
Small-Scale Testbeds for Connected and Automated Vehicles and Robot Swarms: Challenges and a Roadmap
RWTH Aachen University(亚琛工业大学);Indian Institute of Technology Bombay(印度班加罗尔理工学院);Tsinghua University(清华大学);the German University in Cairo(埃及亚历山大大学);INSAIT;KTH Royal Institute of Technology(皇家理工学院);KU Leuven(鲁汶大学)
本文提出了一条路线图,以解决连接与自动化车辆及机器人群小规模测试平台当前的挑战,涵盖提升可及性与多样性、共享最佳实践及通过抽象层连接测试平台。
2026-03-24 cs.MA cs.RO
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