Risk Assessment and Planning with Bidirectional Reachability for Autonomous Driving
Robotics Institute, University of Michigan(密歇根大学机器人研究所);University of Michigan(密歇根大学)
了解和预测场景中的危险因素是自动驾驶过程中的两个关键组成部分,特别是在拥挤的城市环境中。为了在环境中安全航行,需要进行风险评估来量化和关联采取特定行动的风险。风险评估和规划通常是通过首先跟踪和预测其他主体(如车辆和行人)的轨迹,然后选择一个动作来避免将来发生碰撞。然而,很少有现有的风险评估算法有效地处理闭塞和其他感觉限制。本文通过前向和后向可达性探讨了在闭塞情况下进行有效风险评估的可能性。所提出的算法不仅可以识别风险诱发因素在哪里,而且还可以用于运动规划通过执行低级别的命令,如油门。所提出的方法进行评估,在各种四路高度闭塞的十字路口,多达五个其他车辆的场景。与其他风险评估算法相比,该方法具有更好的效率,即自我车辆以更高的速度到达目标。此外,它还将碰撞率中位数降低了7.5倍。
2019-09-17 cs.RO
Behavioral Safety Assessment towards Large-scale Deployment of Autonomous Vehicles, Part I: Methodology
University of Michigan Transportation Research Institute(密歇根大学交通研究所);University of Michigan(密歇根大学);The University of Hong Kong(香港大学);Laplace Intelligence(拉普拉斯智能);Tsinghua University(清华大学)
针对传统功能安全方法不足,提出行为安全评估范式,通过行为能力测试和驾驶智能测试两个组件,系统评估自动驾驶车辆在交通环境中的安全行为。
2026-10-14 cs.RO
Vehicle Teleoperation: Performance Assessment of SRPT Approach Under State Estimation Errors
Politecnico Di Milano(米兰理工大学)
本文通过 Simulink 中含困难机动与环境扰动的 14-dof 车辆仿真,评估 SRPT 在状态估计误差下的鲁棒性,证明仅凭 IMU、轮速和转向编码器即可实现足够性能。
2023-05-19 cs.RO
The Application of Driver Models in the Safety Assessment of Autonomous Vehicles: A Survey
School of Informatics, University of Edinburgh(爱丁堡大学信息学院);Vehicle Safety Institute, Graz University of Technology(格拉茨技术大学车辆安全研究所);State Key Laboratory of Automotive Simulation and Control, Jilin University(吉林大学汽车仿真与控制国家重点实验室)
本文综述了驾驶员模型在自动驾驶车辆安全评估中的应用,讨论了其要求、总结了用于仿真测试和基准的模型,并通过评估指标比较优劣,指出未来研究方向。
2023-08-04 cs.RO
Heterogeneous Vehicles Routing for Water Canal Damage Assessment
Carniege Mellon University(卡内基梅隆大学);Massachusetts Institute of Technology(麻省理工学院)
在日本,灌溉水渠的检查大多是人工进行的。然而,随着基础设施老化,对更定期检查的需求巨大,加上可供检查的时间窗口有限,使得人工检查越来越不够用。随着检测时间的缩短和劳动力成本的降低,使用无人机(UAV)和地面车辆(汽车)的组合进行自动检测已成为人工检测的一种有吸引力的替代方案。在本文中,我们提出了一个路径规划框架,生成最佳计划的无人机和汽车检查水渠在一个大的农业区(几十平方公里)。除了最优性之外,路径还需要满足多个约束,以保证无人机的航行安全并遵守当地的交通规则。在拟议的框架中,运河和道路网络首先被建模为两个图,然后将其划分为较小的子图,给定的无人机机队可以在一次电池充电内覆盖这些子图。在图上为无人机和汽车找到最优路径的问题,受到的约束,制定为一个混合整数二次规划(MIQP)。所提出的框架还可以在当前计划中断时快速生成新计划。仿真结果表明,所提出的框架的有效性进行了验证,成功生成的计划,涵盖所有给定的运河段,并能够快速修改计划时,条件发生变化。
2018-03-07 cs.RO
Real-time safety assessment of trajectories for autonomous driving
IVEX NV(IVEX公司);Infineon Technologies AG(英飞凌科技股份公司)
自动驾驶汽车(AV)必须始终保持安全运动,以确保它们不会造成任何事故。在AV系统中,车辆的运动被表示为轨迹。轨迹规划组件负责在运行时计算这样的轨迹,同时考虑到关于环境的感知信息、车辆的动态、其他道路使用者的预测未来状态以及多个安全方面。由于要考虑的信息量巨大,轨迹规划算法是复杂的,这使得保证所有规划轨迹的安全性是不平凡的。这样,就有必要有一个额外的组件来评估运行时计划轨迹的安全性。这样的轨迹安全性评估组件给出关于AV轨迹的安全性的不同观察,并且确保AV仅遵循安全轨迹。我们使用术语轨迹检查器来指轨迹安全评估组件。轨迹检查器必须根据各种安全规则评估规划的轨迹,考虑大量的可能性,包括其他交通参与者的最坏情况行为。这必须在保证硬实时的【形】性能的同时进行,因为安全评估是在车辆移动并与环境不断相互作用时进行的。在本文中,我们提出了一个原型的轨迹检查器,我们已经在IVEX开发。我们展示了我们的方法如何顺利工作,并实现嵌入在英飞凌Aurix TC397B汽车平台的实时的【形】约束。最后,我们衡量我们的轨迹检查器原型对一组NCAPS启发的情况下的性能。
2021-05-05 cs.RO
Scenario Extraction from a Large Real-World Dataset for the Assessment of Automated Vehicles
Eindhoven University of Technology(埃因霍温理工大学);TNO(荷兰应用科学研究组织)
本文提出一种从真实世界驾驶数据中提取场景的方法,通过数据预处理、数据标记和标签组合搜索三步提取场景,并利用CARLA模拟数据和WOMD数据集验证,为自动驾驶车辆的安全评估提供支持。
2023-08-15 cs.RO
Scenario Parameter Generation Method and Scenario Representativeness Metric for Scenario-Based Assessment of Automated Vehicles
TNO(荷兰应用科学研究组织);Radboud University Medical Center(拉德堡德大学医学中心);Radboud University(拉德堡德大学);Eindhoven University of Technology(埃因霍温理工大学);Delft University of Technology(代尔夫特理工大学)
提出一种不依赖强假设的自动驾驶汽车场景参数生成方法,通过估计概率密度函数生成真实参数值,并引入基于Wasserstein距离的场景代表性度量,以自动确定最优参数化并加速评估。
2022-02-24 cs.RO
Dynamic Risk Assessment for Autonomous Vehicles from Spatio-Temporal Probabilistic Occupancy Heatmaps
Department of Civil and Environmental Engineering, University of California, Berkeley, CA, USA(加州大学伯克利分校土木与环境工程系);D3 Analytics Innovation, Allstate Insurance Company, Northbrook, IL, USA(Allstate保险公司D3 Analytics创新部门);Department of Electrical Engineering and Computer Sciences, University of California, Berkeley, CA, USA(加州大学伯克利分校电气工程与计算机科学系)
本文提出概率占用风险评估(PORA)指标,利用时空热力图预测周围交通参与者的概率占用,结合Cox模型调整相对运动风险,提升自动驾驶车辆动态交通场景碰撞风险评估准确性,且在蒙特卡洛模拟中表现优于其他安全替代指标。
2025-11-16 cs.LG cs.RO eess.SP
Using UAVs for vehicle tracking and collision risk assessment at intersections
Purdue University(普渡大学);Carnegie Mellon University(卡内基梅隆大学);Qassim University(卡西姆大学)
碰撞风险评估是有效交通安全管理的关键挑战。部署无人驾驶飞行器(UAV)来解决这个问题已经显示出很大的希望,因为它们具有广阔的视野和灵活的运动。这项研究展示了无人机和V2X连接的应用,以跟踪道路使用者的移动并评估交叉路口的潜在碰撞。这项研究使用了无人机拍摄的视频。该方法结合了基于深度学习的跟踪算法和碰撞时间任务。研究结果不仅为车辆识别潜在的碰撞和运动规划提供了有益的信息,而且为城市道路管理部门和安全管理工程师提供了有价值的工具。
2021-10-11 cs.AI cs.RO eess.IV
Systematic Analysis of the Sensor Coverage of Automated Vehicles Using Phenomenological Sensor Models
Institute of Automotive Technology, Technical University of Munich(慕尼黑工业大学汽车技术研究所)
本文的目的是提出一个系统的分析自动驾驶汽车的传感器覆盖。由于可能的交通状况数量不受限制,因此必须在自动驾驶汽车的安全评估中选择要测试的场景。本文介绍了现象学传感器模型可以用来识别系统特定的相关场景。在自动驾驶中,主要使用以下传感器:摄像头、超声波、\radar和\lidarohne。基于文献,现象学模型已开发的四种传感器类型,其中考虑到的现象,如环境影响,传感器的属性和类型的对象被检测。这些现象学模型具有比简单的理想传感器模型显著更高的可靠性,并且比现实的物理传感器模型需要更低的计算成本,这代表了传感器覆盖的系统调查的最佳折衷。模拟结果表明,不同的系统配置之间存在显着差异,从而支持系统特定的选择自动驾驶汽车的安全评估的相关方案。
2020-08-27 cs.RO
The Impact of Operational-Data Fidelity when Assessing Safety-Critical Autonomous-Vehicle Software
Centre for Software Reliability, City St. George’s, University of London(伦敦大学城市圣乔治学院软件可靠性中心)
本文扩展保守贝叶斯推理技术,提出检查运营数据不足时可靠性断言稳健性的统计方法,阐明保守使用低保真数据的幼稚性,给出数据保真度对自动驾驶汽车安全评估影响的首批保守估计。
2026-10-08 cs.RO cs.SE
Fast Risk Assessment for Autonomous Vehicles Using Learned Models of Agent Futures
Massachusetts Institute of Technology(麻省理工学院)
本文提出了快速非采样为基础的方法来评估风险的轨迹自动驾驶车辆时,概率预测其他代理的未来产生的深度神经网络(DNN)。所提出的方法解决了广泛的表示不确定的预测,包括高斯和非高斯混合模型的预测代理的位置和控制。我们发现,当高斯混合模型(Gestival)的代理位置的学习,风险评估的问题可以迅速解决,以任意水平的精度与现有的数值方法。为了解决代理位置的非高斯混合模型的风险评估的问题,我们提出了使用切比雪夫不等式和平方和(SOS)编程的风险上界,他们都是感兴趣的,因为前者是快得多,而后者可以是任意紧。这些方法只需要代理位置的统计矩来确定风险的上限。为了执行风险评估时,学习代理控制,而不是位置的模型,我们开发树环,一种算法类似于树搜索的多项式环,可用于精确传播的时刻控制分布到位置分布,通过非线性动力学。所提出的方法在Argoverse和CARLA数据集上训练的DNN的实际预测上得到了证明,并且证明了该方法对于快速评估低概率事件的概率是有效的。
2020-06-03 cs.LG cs.RO stat.ML
Efficient Black-box Assessment of Autonomous Vehicle Safety
Trustworthy AI(可信人工智能公司)
虽然自动驾驶汽车(AV)技术已经取得了长足的进步,但我们仍然缺乏严格和可扩展的测试工具。真实世界的测试,即$\textit{de-facto}$评估方法,对公众是危险的。此外,由于故障的罕见性,需要数十亿英里的驾驶来统计验证性能声明。因此,该行业已在很大程度上转向模拟来评估AV系统。然而,仅仅拥有一个模拟堆栈并不是一个解决方案。一个仿真测试框架需要优先考虑运行哪些场景,了解所选场景如何提供故障模式的覆盖,并按照重要性对故障场景进行排序。我们实现了一个模拟测试框架,评估整个现代AV系统作为一个黑盒子。该框架估计了在控制标准交通行为的基本分布下的事故概率。为了加速稀有事件概率评估,我们有效地学习通过自适应重要性抽样方法来识别和排序故障场景。使用这个框架,我们对全栈商业AV系统Comma AI的OpenPilot进行了第一次独立评估。
2020-06-06 cs.LG cs.RO stat.ML
Risk assessment and observation of driver with pedestrian using instantaneous heart rate and HRV
Mississippi State University(密西西比州立大学);Nihon University(日本大学)
本研究在驾驶模拟器中引入行人动态,通过时域和频域心率分析对驾驶员进行风险评估,发现频域HR分析能有效评估驾驶员遇行人时的风险。
2024-02-10 cs.HC cs.RO
Qualitative and Quantitative Risk Analysis and Safety Assessment of Unmanned Aerial Vehicles Missions over the Internet
Jinan University(暨南大学);University of Tunis El Manar(突尼斯马纳尔大学);National Institute of Applied Sciences and Technology, University of Carthage(迦太基大学应用科学与技术国家研究所);Prince Sultan University(苏丹王子大学);CISTER/INESC TEC;ISEP-IPP(波尔图理工学院工程学院);National School of Electronics and Telecommunication(国立电子与电信学院)
在过去的几年里,无人机(UAV)作为一种新兴技术正在进行一场革命,在军事,民用和商业领域有许多不同的应用。自主无人机的出现带来了严峻的挑战,包括如何在执行任务期间保持其安全运行。无人机的安全操作仍然是一个开放且敏感的问题,因为无人机的任何意外行为或任何危险都将导致可能非常严重的潜在风险。这项工作背后的动机是提出一种方法,用于通过互联网{(无人机互联网(IoD))}保证无人机的安全。将使用两种方法进行安全性分析:(1)定性安全性分析方法,和(2)定量安全性分析方法。第一种方法使用国际安全标准,即ISO 12100和ISO 13849,通过侧重于定性评估技术来评估无人机任务的安全性。该方法从危险识别、风险评估、风险缓解开始,最后得出与无人机交付用例相关的安全建议。第二种方法提出了一种使用贝叶斯网络(BN)进行概率建模的定量安全评估方法。BN利用第一种方法提供的信息对与无人机飞行相关的安全风险进行建模。一个说明性的无人机坠毁的情况下,作为一个案例研究,其次是情景分析,以证明所提出的方法的适用性。这两种定性和定量分析使{所有相关利益相关者}能够检测、探索和解决无人机飞行的风险,这将有助于行业更好地管理无人机的安全问题。
2019-04-20 cs.CY cs.RO
Integrating Naturalistic Insights in Objective Multi-Vehicle Safety Framework
Johannes Kepler University Linz(约翰内斯·开普勒大学林茨分校)
本文提出一个整合客观安全指标与主观感知的多车辆安全评估框架,在高速跟车场景中利用自然驾驶数据验证,综合多指标及全周围车辆信息时性能卓越。
2025-03-27 cs.RO
Verisimilar Percept Sequences Tests for Autonomous Driving Intelligent Agent Assessment
University of Sao Paulo(圣保罗大学)
自动驾驶汽车技术有望用更安全的驾驶系统取代人类驾驶员。但是,尽管自动驾驶汽车可以变得比人类驾驶员更安全,但这是一个漫长的过程,将随着时间的推移而不断完善。在这些车辆被部署在城市道路上之前,必须确保最低的安全水平。由于自动驾驶汽车技术仍在开发中,因此没有标准方法来评估此类系统。重要的是要完全理解正在开发的技术,设计有效的手段来评估it.In本文中,我们假设安全关键系统的可靠性作为一种安全措施。我们将自主道路车辆建模为智能代理,并从人工智能的角度对其进行评估。我们的重点是评估的感知和决策系统,并提出了一个系统的方法来评估他们在车辆中的集成。我们从人工智能的最先进的模型的数据依赖性的关键方面,我们还提出了程序来重现它们。
2018-05-07 cs.AI cs.RO
Stochastic Modeling of Road Hazards on Intersections and their Effect on Safety of Autonomous Vehicles
City St George’s, University of London(伦敦大学圣乔治学院);Intel Deutschland GmbH(德国英特尔公司)
本文提出一种基于概率模型的自动驾驶车辆安全评估方法,用于量化交叉路口道路危害及功能不完善对致命事故概率的影响,并将其扩展至给定ODD中多种运行条件的显式处理。
2025-06-03 cs.RO
Fast nonlinear risk assessment for autonomous vehicles using learned conditional probabilistic models of agent futures
Computer Science and Artificial Intelligence Laboratory (CSAIL), Massachusetts Institute of Technology (MIT)(计算机科学与人工智能实验室(CSAIL),麻省理工学院(MIT))
本文提出了一种快速的基于非采样的方法来评估风险的轨迹自动驾驶车辆时,其他代理的未来的概率预测生成的深度神经网络(DNN)。所提出的方法解决了广泛的表示不确定的预测,包括高斯和非高斯混合模型来预测代理的位置和控制输入条件的场景上下文。我们发现,当高斯混合模型(Gestival)的代理位置的学习,风险评估的问题可以迅速解决,以任意水平的精度与现有的数值方法。为了解决代理位置的非高斯混合模型的风险评估的问题,我们提出了使用非线性切比雪夫不等式和平方和(SOS)规划的风险上界,他们都是感兴趣的,因为前者是快得多,而后者可以是任意紧。这些方法只需要代理位置的高阶统计矩来确定风险的上限。为了执行风险评估时,学习模型的代理控制输入,而不是位置,我们传播的时刻不确定的控制输入通过非线性运动动力学,以获得确切的时刻不确定的位置在规划范围内。为此,我们构建确定性的线性动力系统,在不确定的控制输入的存在下,管理的不确定位置的时刻的精确时间演化。所提出的方法在Argoverse和CARLA数据集上训练的DNN的实际预测上得到了证明,并且证明了该方法对于快速评估低概率事件的概率是有效的。
2021-09-22 cs.AI cs.LG cs.RO
A Quality Index Metric and Method for Online Self-Assessment of Autonomous Vehicles Sensory Perception
Virginia Tech(弗吉尼亚理工大学)
本文提出检测质量指数(DQI)和超像素注意力网络(SPA-NET),用于自动驾驶摄像头目标检测的逐帧在线自评估,并在三个开源数据集上验证其有效性。
2023-06-01 cs.CV cs.RO eess.IV
Corner Case Generation and Analysis for Safety Assessment of 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)
测试和评估是开发和部署互联和自动驾驶汽车(CAV)的关键一步。为了全面评价CAV的性能,有必要在安全关键场景中测试CAV,这在自然驾驶环境中很少发生。因此,如何有目的、有系统地生成这些角点案例成为一个重要的问题。现有的研究主要集中在感知系统的对抗性样本生成方面,而决策系统的研究则相对较少,这也是本文的重点。由于CAV需要与大量的背景车辆(BV)进行长时间的交互,定义拐角情况的变量通常是高维的,这使得生成具有挑战性的问题。在本文中,提出了一个统一的框架来生成决策系统的角情况。为了解决高维性带来的挑战,基于马尔可夫决策过程对驾驶环境进行建模,并应用深度强化学习技术学习BVs的行为策略。通过学习策略,BV将更积极地与CAV进行行为和交互,从而导致更多的角落情况。为了进一步分析生成的角点情况,利用特征提取和聚类技术。通过选择每个聚类的代表性案例和离群值,可以从所有生成的角点案例中识别出有价值的角点案例。高速公路驾驶环境的仿真结果表明,所提出的方法可以有效地产生和识别有价值的角点情况。
2021-02-06 cs.AI cs.LG cs.RO
Courteous MPC for Autonomous Driving with CBF-inspired Risk Assessment
Department of Computer Science, University of North Carolina at Charlotte(计算机科学系,北卡罗来纳大学夏洛特分校);Department of Electrical and Computer Engineering, Carnegie Mellon University(电气与计算机工程系,卡内基梅隆大学);Walker Department of Mechanical Engineering, University of Texas at Austin(沃克机械工程系,德克萨斯大学奥斯汀分校)
本文提出一种基于CBF启发的风险评估框架,并将其融入MPC方案,使自动驾驶车辆在遵守安全约束和效率目标的同时,降低对周围车辆的整体风险,实现安全且礼貌的驾驶行为。
2025-04-29 cs.RO cs.SY eess.SY
Behavioral Safety Assessment towards Large-scale Deployment of 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)
提出面向自动驾驶汽车的行为安全评估范式及第三方框架,包含Driver Licensing Test和Driving Intelligence Test,验证表明Autoware.Universe碰撞率远高于人类驾驶员,凸显了部署前行为安全评估的必要性。
2025-05-30 cs.RO cs.SE
Operationalization of Scenario-Based Safety Assessment of Automated Driving Systems
TNO(荷兰国家应用科学研究院)
本文围绕联合国UNECE WP.29 GRVA工作组制定的自动驾驶系统安全评估新方法NATM,研究利用场景数据库开展实际安全评估的路径,明确落地NATM的额外步骤,并说明其与欧洲地平线项目相关方法的适配性。
2025-07-30 cs.RO
Lane Departure Prediction Based on Closed-Loop Vehicle Dynamics
Institute of Power Machinery and Vehicular Engineering, College of Energy Engineering, Zhejiang University(浙江大学能源工程学院动力机械及车辆工程研究所)
自动驾驶系统应该能够监督自己的性能,并在必要时请求人类驾驶员接管。在车道保持场景中,车辆未来轨迹的预测是实现安全可信的自动驾驶的关键。以往对车辆轨迹预测的研究主要分为两类,即基于物理的方法和基于机动的方法。利用基于物理的方法,提出了一种基于闭环车辆动力学模型的车道偏离预测算法。我们使用扩展的卡尔曼滤波器来估计当前车辆状态的传感模块的输出的基础上。然后,卡尔曼预测器与实际的车道保持控制律被用来预测未来的转向动作和车辆状态。车道偏离评估模块评估车辆拐角位置的概率分布,并决定是否发起人工接管请求。仿真试验初步验证了该预测算法能够较好地描述未来车辆位姿的随机特性。最后,通过15 ~ 50 km/h的道路试验进一步验证了该方法的有效性。它可能是自动车道保持功能的车道偏离风险评估的一个有前途的解决方案。
2022-02-12 cs.RO cs.SY eess.SY
Deep Predictive Models for Collision Risk Assessment in Autonomous Driving
Arizona State University(亚利桑那州立大学)
在本文中,我们研究了自动驾驶和辅助驾驶中碰撞风险评估的预测方法。训练深度预测模型,以预测传统视频流中即将发生的事故。特别是,该模型学习识别RGB图像中预测即将发生的危险情况的线索。与以前的工作相比,我们的方法结合了(a)决策过程中的时间信息,(b)关于环境的多模态信息,以及受控车辆的本体感受状态和转向动作,以及(c)关于任务固有的不确定性的信息。为此,我们讨论了深度预测模型,并提出了一个使用贝叶斯卷积LSTM的实现。在一个简单的模拟环境中的实验表明,该方法可以学习预测即将发生的事故,具有合理的准确性,特别是当多个摄像机用作输入源。
2018-03-29 cs.RO
Composite Safety Potential Field for Highway Driving Risk Assessment
New York University(纽约大学)
针对现有安全势场模型难以校准和泛化纵向与横向风险的问题,提出复合安全势场框架C-SPF,结合主观场与客观场全面评估驾驶风险,能有效捕捉纵向与横向风险并解释驾驶员横向行为。
2025-04-29 cs.RO stat.AP
Development and Assessment of Autonomous Vehicles in Both Fully Automated and Mixed Traffic Conditions
University of Central Florida(中佛罗里达大学)
本文采用多阶段方法开发单辆与网联AV,引入“共享与关怀”V2V通信和深度强化学习提升协作驾驶,并通过调查评估混合交通中人类驾驶员竞争带来的安全风险。
2023-12-08 cs.AI cs.MA cs.RO
Hazard Analysis and Risk Assessment for an Automated Unmanned Protective Vehicle
Technische Universität Braunschweig(布伦瑞克工业大学);Institute of Control Engineering at Technische Universität Braunschweig(布伦瑞克工业大学控制工程研究所)
对于未来自动驾驶汽车在公共交通中的应用,确保功能安全至关重要。在这种情况下,危险分析和风险评估是设计功能性车辆自动化系统的重要输入。在这方面的贡献,我们提出了一个详细的危害分析和风险评估(HARA)根据ISO 26262标准的特定4级应用程序,即无人驾驶的保护车辆没有人的监督下运行的高速公路硬路肩道路工程。
2018-05-05 cs.RO
Scenario-Independent Criticality Assessment and Prediction for Vulnerable Road Users in Autonomous Driving
University of Tübingen(图宾根大学)
本文提出面向弱势道路使用者的关键性度量及场景无关预测框架,在DeepAccident数据集上分别提升分类性能50%和超越现有方法275%,实现F1分数0.96。
2026-09-14 cs.CV cs.CY cs.LG
Vision and Language: Novel Representations and Artificial intelligence for Driving Scene Safety Assessment and Autonomous Vehicle Planning
University of California, Merced(加州大学默塞德分校);University of California, San Diego(加州大学圣迭戈分校)
本文研究了视觉-语言表示在自动驾驶安全评估和规划中的应用,提出轻量级危险检测、轨迹规划框架整合及自然语言约束方法,强调表示-任务对齐的重要性。
2026-02-18 cs.AI cs.CV cs.LG
Pedestrian Emergence Estimation and Occlusion-Aware Risk Assessment for Urban Autonomous Driving
The Ohio State University(俄亥俄州立大学)
避免看不见或部分被遮挡的弱势道路使用者(VRU)是城市场景中完全自动驾驶的主要挑战。然而,闭塞感知风险评估系统尚未得到广泛研究。在这里,我们提出了一个行人出现估计和遮挡感知风险评估系统的城市自动驾驶。首先,所提出的系统利用可用的上下文信息,如可见的汽车和行人,估计行人出现在闭塞区域的概率。这些概率,然后在风险评估框架中使用,并纳入纵向运动控制器。建议的控制器进行测试,对几个基线控制器,概括了一些常见的驾驶风格。模拟的测试场景包括随机放置的停放的汽车和行人,其中大多数人从自我车辆的视野中被遮挡,并随机出现。所提出的控制器在安全性和舒适性方面优于基线。
2021-07-06 cs.AI cs.RO
Audiovisual Affect Assessment and Autonomous Automobiles: Applications
Imperial College London(帝国理工学院);University of Augsburg(奥格斯堡大学);audEERING GmbH(audEERING公司)
情绪和更广泛的情感驾驶员状态可能是道路上的生活决定性因素。虽然这方面已经被反复研究,但自动驾驶汽车的出现为基于计算机的情感识别在汽车中的作用提供了一个新的视角-乘客的角色。这包括在通勤期间监测健康状况,例如调整驾驶方式或调整信息和娱乐。这一贡献的目的是预见相应的挑战,并提供潜在的途径,影响建模的多式联运“视听加x”的道路上的情况。从技术方面来看,这涉及到整体乘客建模和车辆中个人的可靠日记。总之,自动化影响分析刚刚成熟到在第一个选定的用例中适用于自动驾驶汽车的程度,这将在最后讨论。
2022-03-14 cs.AI cs.CY cs.HC
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
Exploration of the Assessment for AVP Algorithm Training in Underground Parking Garages Simulation Scenario
针对AVP算法在复杂场景下训练需求,提出基于2D图纸自动生成不同难度3D地下车库仿真场景的方法,以降低训练成本并提升适应性。
2023-10-17 cs.AI cs.RO cs.SY
Extraction and Assessment of Naturalistic Human Driving Trajectories from Infrastructure Camera and Radar Sensors
BMW of North America(北美宝马公司);Graz University of Technology(格拉茨工业大学)
收集真实的驾驶轨迹对于训练模仿人类驾驶行为的机器学习模型至关重要。今天的大多数自动驾驶数据集在每个位置只包含几个轨迹,并且是由受过训练的驾驶员谨慎驾驶的测试车辆记录的。特别是在高速公路合并等交互式场景中,测试驾驶员的行为会显著影响其他车辆。这种影响妨碍了记录人类驾驶行为的整个交通空间。在这项工作中,我们提出了一种新的方法来提取交通对象的轨迹,使用基础设施传感器。基础设施传感器使我们能够记录一个位置的大量数据,并将测试驾驶员排除在循环之外。我们开发了由摄像头和交通监控雷达组成的硬件设置和轨迹提取算法。我们的视觉管道可以准确地检测物体,融合摄像头和雷达检测,并随着时间的推移跟踪它们。我们改进了一个国家的最先进的目标跟踪器相结合的跟踪图像坐标与卡尔曼滤波器在道路坐标。我们表明,我们的传感器融合方法成功地结合了相机和雷达检测的优势,并优于任何单一的传感器。最后,我们还评估了我们的轨迹提取管道的准确性。为此,我们为测试车辆配备了差分GPS传感器,并使用它来收集地面真实轨迹。利用这些数据,我们可以计算出测量误差。虽然我们使用平均误差来消除轨迹的偏差,但误差标准差是地面实况数据不准确的幅度。因此,提取的轨迹不仅是自然的,而且高度准确,并证明了使用基础设施传感器来提取真实世界轨迹的潜力。
2020-04-02 cs.CV cs.RO eess.IV
An Assessment on the Use of Stationary Vehicles as a Support to Cooperative Positioning
The Hamilton Institute, National University of Ireland Maynooth(爱尔兰国立大学梅努斯分校汉密尔顿研究所);University of Pisa(比萨大学);IBM Research Ireland(IBM爱尔兰研究院)
在本文中,我们考虑使用静止的车辆作为工具,以提高本地化能力的移动车辆在VANET。我们研究的想法,其潜在的好处,技术要求,算法设计和实验评估。仿真结果表明了该方法的有效性。
2015-02-26 cs.RO math.OC
Scenario-Based Safety Assessment Framework for Automated Vehicles
TNO Singapore(荷兰应用科学研究组织新加坡);TÜV SÜD Asia Pacific Pte Ltd(TÜV南德意志集团亚太私人有限公司);Nanyang Technological University(南洋理工大学)
预计自动驾驶汽车(AV)将通过实现灵活的按需移动系统来提高交通安全和交通效率。这在新加坡尤其重要,新加坡是世界上人口最稠密的国家之一,这就是为什么新加坡当局目前正在积极促进自动驾驶汽车的部署。因此,需要一个正式的AV道路审批程序。为此,提出了一个安全评估框架,它结合了标准化的功能安全设计方法与基于交通安全的方法。后者涉及使用驾驶数据来提取与AV相关的交通场景。基本的方法是基于分解成基本事件的场景,随后的场景参数化,和抽样的估计概率密度函数的场景参数,以创建测试场景。由此产生的测试方案随后被用于在模拟环境中进行虚拟测试,并在试验场和现实生活中进行物理测试。因此,由于基于模拟的方法,所提出的评估管道因此在相对较短的时间范围内为AV性能提供统计相关和定量测量。最终,所提出的方法为当局提供了一个正式的自动驾驶汽车道路审批程序。特别是,拟议的方法将支持新加坡陆路交通管理局对自动驾驶汽车的道路审批。
2021-12-17 cs.RO
An Assessment of Safety-Based Driver Behavior Modeling in Microscopic Simulation Utilizing Real-Time Vehicle Trajectories
Massachusetts Institute of Technology(麻省理工学院);Virginia Polytechnic Institute and State University(弗吉尼亚理工学院暨州立大学)
在仿真建模中,观察到的驾驶行为的准确表示对于有效评估安全和性能干预至关重要。在这项研究中,我们实施和评估基于安全的最优速度模型(OVM),以提供一个高保真度的复制安全关键行为的微观模拟,并展示其影响的交通控制策略的安全为重点的评估。利用从实时的【形】视频推理中提取的详细车辆轨迹信息,在PTV VISSIM中为研究地点创建综合仿真模型,这些信息还用于校准基于安全的OVM的参数,以复制研究地点中观察到的驾驶行为。校准模型,然后纳入作为一个外部驱动程序模型,超过VISSIM的默认的Wiedemann 74模型在模拟汽车跟踪事件。初步分析的结果表明,通过使用我们的模型在复制研究现场观察到的现有安全冲突所取得的显着改善。然后,我们利用这种改进的现状表示,以评估信号控制和限速执法的不同情况下,减少现有的冲突高达23%的潜在影响。本研究的结果展示了通过利用数据驱动的车辆跟随行为建模可以实现的显著改进,并且所提出的工作流提供了一种端到端的,可扩展的,自动化的和可推广的方法,用于通过利用通过路边视频推理有效提取的车辆轨迹来复制在微观模拟中感兴趣的站点观察到的现有驾驶行为。
2022-10-17 cs.RO
A System for Train Condition Monitoring and Structural Health Assessment of Rail Vehicles
DB InfraGO AG(DB InfraGO股份公司);DB Systemtechnik(DB系统技术公司);MSG Ammendorf(MSG阿门多夫公司)
本文提出一种融合结构传感器技术与AI数据分析的系统,用于轨道车辆状态监测与撞击检测,可自动检测相关事件、支持状态维护及设计优化,助力干线铁路向全自动运行过渡。
2026-08-07 cs.RO
Mission Planning and Safety Assessment for Pipeline Inspection Using Autonomous Underwater Vehicles: A Framework based on Behavior Trees
Aarhus University(奥胡斯大学);IT University of Copenhagen(哥本哈根信息技术大学);RWTH Aachen University(亚琛工业大学);EIVA a/s(艾瓦公司)
针对自主水下机器人管道巡检依赖离线计划、缺乏灵活性的问题,提出基于行为树的框架,结合BehaVerify验证安全,并开发AI算法实现高效数据采集,提升任务安全与成功率。
2024-02-06 cs.RO
Adaptive Experimental Design for Path-following Performance Assessment of Unmanned Vehicles
University of Genova(热那亚大学);National Research Council(国家研究委员会);London School of Economics(伦敦政治经济学院)
由于机器人在日常民用生活中的应用越来越多,机器人技术中的良好实验方法(GEM)的定义也是一个广泛关注的话题。目前的工作有助于正在进行的讨论无人水面车辆(USV)的GEM。它侧重于GEM的定义,并为路径跟踪实验提供了具体的指导方针。统计设计的实验(DoE)提供了一个有效的基础,开发一个经验模型的系统正在调查。一个两步的自适应实验过程,评估路径跟踪性能和基于能源部,测试的模拟器上的查理USV。本文认为,进行广泛的模拟之前,执行田间试验的必要性。
2016-11-14 cs.RO stat.AP
Real-World Scenario Mining for the Assessment of Automated Vehicles
TNO(荷兰应用科学研究组织);Radboud University(拉德堡德大学);Delft University of Technology(代尔夫特理工大学)
基于场景的自动驾驶汽车(AV)评估方法得到了汽车领域许多参与者的广泛支持。从真实世界数据中获取的情景可用于确定评估情景并估计其相关性。因此,提出了不同的技术来从真实世界的数据中捕获场景。在本文中,我们提出了一种新的方法来捕捉场景从现实世界的数据使用两步的方法。第一步是用标签自动标记数据。其次,我们挖掘的场景,表示的组合的标签,基于标记的标签。我们的方法的好处之一是,标签可以用来识别不同类型的场景中共享的场景的特征。这样,这些特征只需识别一次。此外,该方法不特定于一种类型的场景,因此,它可以应用于各种各样的场景。我们提供了两个例子来说明该方法。本文的结论是一些有前途的未来的可能性,我们的方法,如自动生成的情况下,自动驾驶汽车的评估。
2021-07-12 cs.AI cs.RO
Online Performance Assessment of Multi-Source-Localization for Autonomous Driving Systems Using Subjective Logic
FZI Research Center for Information Technology(FZI信息技术研究中心);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
本文提出基于主观逻辑的多源定位在线性能评估方法,对里程计、SLAM和GNSS三种定位系统分别建模并相互参照,在隧道环境中验证了其可行性。
2025-06-03 cs.RO
Performance assessment of ADAS in a representative subset of critical traffic situations
Swiss Reinsurance Company, Ltd(瑞士再保险股份有限公司);Stanford University(斯坦福大学)
针对自动防撞系统的安全性能评级需求,本文基于瑞士再保险等发起的8个月测试活动,引入新评分系统和真实性指标评估13套系统,发现发布前原型系统在多数场景中优于量产车辆。
2024-11-26 cs.RO
Scenario-based Evaluation of Prediction Models for Automated Vehicles
Eindhoven University of Technology(埃因霍温理工大学);TomTom(TomTom公司);TNO(荷兰应用科学研究组织)
为了安全运行,自动驾驶汽车(AV)必须预测周围环境的变化。为此,重要的是要知道哪些预测模型最适合每种情况。目前,预测模型的评估通常是在一组轨迹上执行的,而不区分它们捕获的运动类型,导致无法确定每个模型对不同情况的适用性。在这项工作中,我们说明了标准化的评估方法如何导致错误的结论模型的预测能力,防止明确的评估预测模型,并可能导致危险的道路情况。我们认为,以下的评价实践中的安全评估AV,评估的预测模型,应在一个基于神经网络的方式进行。为了鼓励对预测模型进行基于统计的评估,并说明评估不当的危险,我们根据它们捕获的运动类型对Waymo Open Motion数据集的轨迹进行了分类。接下来,针对不同的轨迹类型和预测范围,对三种不同的模型进行了全面评估。结果表明,共同的评价方法是不够的,评估应根据应用程序中的模型将操作。
2022-10-11 cs.AI cs.LG cs.RO
VSRQ: Quantitative Assessment Method for Safety Risk of Vehicle Intelligent Connected System
Jinan University(暨南大学);Guangdong Institution of Smart Education, Jinan University(暨南大学广东智慧教育研究院);Pazhou Laboratory(琶洲实验室);Guangzhou XPeng Motors Technology Co., Ltd(广州小鹏汽车科技有限公司)
VSRQ通过结合I-FAHP与FCA聚类,提出车辆智能互联系统安全风险评估模型,实验显示其在准确率和召回率上优于其他方法。
2023-05-03 cs.AI cs.RO cs.SE
Terrain assessment for precision agriculture using vehicle dynamic modelling
University of Salento(萨伦托大学);Institute of Intelligent Systems for Automation, CNR(意大利国家研究委员会智能系统自动化研究所)
精准农业的进步在很大程度上依赖于创新的控制和传感技术,这些技术使服务单位能够提高驾驶自动化水平,同时确保高安全标准。本文论述了自动地形估计和分类,同时进行的农业车辆在正常操作。车辆的机动性和安全性,以及重要农业任务的成功执行,包括播种、犁耕、施肥和受控交通,取决于或可以通过正确识别所穿越的地形来改善。本研究的新颖之处在于,地形估计不仅使用传统的外观为基础的功能,即颜色和几何属性,但也接触为基础的功能,即测量基于物理的动态效果,管理vehicleetrainland互动,极大地影响其流动性。从全地形车在不同的表面上运行的实验结果,以验证该系统在现场。结果表明,使用接触特征训练的地形分类器能够实现85.1%的正确预测率,这与使用传统特征集的方法获得的结果相当或更好。为了进一步提高分类性能,所有特征集都合并到一个增强的特征空间中,对于这些测试,正确预测率达到89.1%。
2021-04-13 cs.RO cs.SY eess.SY
AI Safety Assurance in Electric Vehicles: A Case Study on AI-Driven SOC Estimation
RISE Research Institutes of Sweden(瑞典RISE研究机构)
本文针对电动汽车AI功能安全评估难题,结合ISO 26262与ISO/PAS 8800标准提出AI组件独立评估方法,并以AI驱动的SOC估算为例,通过故障注入实验验证其鲁棒性。
2025-09-03 cs.RO cs.SE
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
Performance Assessment of Lidar Odometry Frameworks: A Case Study at the Australian Botanic Garden Mount Annan
Technical University of Darmstadt(达姆施塔特工业大学);The University of Sydney(悉尼大学);The Australian Center For Robotics(澳大利亚机器人中心)
本文针对自然非结构化环境数据集缺乏的问题,在澳大利亚植物园安南山庄使用128线LiDAR等传感器采集数据,评估了COIN-LIO和LIO-SAM两种激光雷达惯性里程计框架的定位性能,发现COIN-LIO在水平面和长轨迹上精度更高。
2025-01-26 cs.RO
Looking and Listening Inside and Outside: Multimodal Artificial Intelligence Systems for Driver Safety Assessment and Intelligent Vehicle Decision-Making
Machine Intelligence, Interaction, and Imagination (Mi3) Laboratory(机器智能、交互与想象实验室);Laboratory for Intelligent and Safe Automobiles (LISA)(智能与安全汽车实验室);Johns Hopkins University(约翰霍普金斯大学);Center for Medicinal Cannabis Research (CMCR)(医药大麻研究中心)
本文提出L-LIO框架,通过融合音频与视觉数据提升驾驶员状态评估和环境理解,探讨音频在车辆安全中的作用,包括驾驶员语音分类、乘客指令分析及视觉不足时的音频辅助。
2026-05-11 cs.AI cs.CV cs.LG
Traceable Virtual Sea Trials in the Marine Robotics Unity Simulator for Manoeuvring Assessment of Unmanned Surface Vehicles
School of Engineering and Built Environment, Sheffield Hallam University(谢菲尔德哈勒姆大学工程与建筑环境学院)
针对USV水动力导数辨识数据获取难的问题,在MARUS仿真器中建立标准化虚拟海试框架,通过TC/ZZ机动自动化执行、数据采集与后处理管道,生成符合IMO/ITTC指标的可重复数据集,案例验证了框架的有效性。
2026-06-15 cs.RO cs.SY eess.SY