An Autonomous Driving Model Integrated with BEV-V2X Perception, Fusion Prediction of Motion and Occupancy, and Driving Planning, in Complex Traffic Intersections
本文提出一种集成BEV-V2X感知、IMM-UKF融合预测与DRL决策规划的自动驾驶模型，在复杂路口仿真中实现了类人驾驶与多任务行为优化。
2024-04-22 cs.RO
Cooperative Behavior Planning for Automated Driving using Graph Neural Networks
Robert Bosch GmbH（罗伯特·博世有限公司）；Ulm University（乌尔姆大学）
由于静态优先规则和遮挡限制了优先交通的视野，城市交叉口容易出现延误和效率低下。现有的改善交通流的方法，广泛称为自动交叉口管理系统，大多是基于非学习预留方案或优化算法。基于机器学习的技术在规划单个自我车辆方面显示出有希望的结果。本文提出利用机器学习算法，通过多车辆联合规划来优化城市交叉口的交通流。基于学习的行为规划提出了几个挑战，需要合适的输入和输出表示以及大量的地面实况数据。我们解决前一个问题，使用灵活的基于图形的输入表示伴随着一个图神经网络。这允许有效地编码场景，并固有地为所有涉及的车辆提供单独的输出。为了学习一个合理的策略，而不依赖于模仿的专家示范，合作规划任务被认为是一个强化学习问题。我们在自动驾驶决策的开源模拟环境中对所提出的方法进行了训练和评估。相比先进先出的计划和交通由静态优先级规则，学习规划显示出显着的增益流量，同时减少诱导停止的数量。除了合成模拟，该方法还基于从公开可用的inD数据集获取的真实交通数据进行评估。
2022-07-26 cs.LG cs.RO
Perception Helps Planning: Facilitating Multi-Stage Lane-Level Integration via Double-Edge Structures
School of Computer Science and Technology, University of Science and Technology of China (USTC)（中国科学技术大学计算机科学与技术学院）
针对传统端到端自动驾驶规划忽略交通要素导致的低效违规问题，提出PHP框架通过双边结构融合车道级感知与规划，在Carla基准上实现驾驶得分显著提升，达到SOTA性能且运行帧率达22.57 FPS。
2024-12-09 cs.CV cs.RO
Closing the Planning-Learning Loop with Application to Autonomous Driving
National University of Singapore（新加坡国立大学）
不确定环境下的实时规划是机器人在复杂动态环境中运行的关键。例如，考虑在密集的、不受管制的汽车、摩托车、公共汽车等城市交通中驾驶的自动机器人车辆，机器人车辆必须在短期和长期两方面进行规划，以便与许多具有不确定意图的交通参与者进行交互并有效地驾驶。然而，在很长一段时间内明确规划，会产生高昂的计算成本，并且在实时约束下是不切实际的。为了实现大规模规划的实时性能，这项工作介绍了一种新的算法从树搜索学习驾驶（LeTS-Drive），它集成了规划和学习在一个闭环，并将其应用于自动驾驶在拥挤的城市交通模拟。具体来说，LeTS驱动器学习的政策和它的价值函数提供的在线规划，搜索稀疏采样的信念树的数据;在线规划器反过来使用学习的政策和价值函数的算法，以扩大其运行时的性能，实时机器人控制。重复这两个步骤，形成一个闭环，使规划者和学习者相互通报，并同步提高。该算法以自我监督的方式自行学习，无需人工对显式数据进行标记。实验结果表明，LeTS-Drive优于单独的规划或学习，以及规划和学习的开环集成。
2022-08-09 cs.RO
A Safe Hierarchical Planning Framework for Complex Driving Scenarios based on Reinforcement Learning
University of California, Berkeley（加州大学伯克利分校）；Tsinghua University（清华大学）
自动驾驶汽车需要处理各种交通状况，并做出安全有效的决策和操纵。然而，一方面，单个基于优化/采样的运动规划器不能有效地实时的生成安全轨迹，特别是当附近有许多交互式车辆时。另一方面，端到端的学习方法不能保证结果的安全性。为了解决这一挑战，我们提出了一个分层的行为规划框架，一组低级别的安全控制器和一个高级别的强化学习算法（H-CtRL）作为协调员的低级别控制器。安全性由底层优化/采样控制器保证，而高级强化学习算法使H-CtRL成为自适应和高效的行为规划器。为了训练和测试我们提出的算法，我们建立了一个模拟器，可以使用真实世界的数据集再现交通场景。H-CtRL被证明是有效的，在各种现实的仿真场景，具有令人满意的性能，在安全性和效率。
2021-06-09 cs.AI cs.RO cs.SY
Hope for the Best, Prepare for the Worst: Occlusion-Aware Contingency Planning for Autonomous Vehicles
KTH Royal Institute of Technology（瑞典皇家理工学院）；Traton AB（特拉顿集团）；Chalmers University of Technology（查尔姆斯理工大学）；Univeristy of Gothenburg（哥德堡大学）
针对城市环境中自动驾驶车辆面临的遮挡风险，提出正式的遮挡感知轨迹规划框架，基于可达性分析方法，集成树形运动规划器，减少保守性并保障安全，在模拟场景中验证有效性。
2026-07-07 cs.RO
Traffic Flow Simulation for Autonomous Driving
本文基于微观交通流建模，采用元胞自动机车辆运动模型和自行车智能理论构建自动驾驶车辆流仿真环境，并详细设计了包含感知、决策和控制三大系统的自动驾驶车辆架构。
2023-07-23 cs.AI cs.RO
Generalized Coordination of Partially Cooperative Urban Traffic
Institute of Measurement, Control and Microtechnology, Ulm University（测量、控制与微技术研究所，乌尔姆大学）
本文提出一种适用于城市交通多场景的协同机动规划框架，通过优化方法与启发式策略处理混合交通，在40%协同率下即显著提升交通效率且不牺牲安全性。
2025-05-27 cs.MA cs.RO
Occupancy Prediction-Guided Neural Planner for Autonomous Driving
Nanyang Technological University（南洋理工大学）
针对自动驾驶中环境联合预测与预测引导整合难题，提出融合占用预测的两阶段OPGP神经规划框架，经真实数据集训练验证，性能优于现有强基线学习方法。
2023-05-05 cs.RO
HyPlan: Hybrid Learning-Assisted Planning Under Uncertainty for Safe Autonomous Driving
Saarland University, Computer Science Dept.（萨尔兰大学计算机科学系）；German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；French National Centre for Scientific Research (CNRS)（法国国家科学研究中心）
HyPlan通过结合多智能体行为预测、深度强化学习和POMDP规划，实现安全且高效的自动驾驶导航
2026-02-06 cs.AI cs.RO
Real-World Evaluation of two Cooperative Intersection Management Approaches
Institute of Measurement, Control and Microtechnology, Ulm University（测量、控制与微技术研究所，乌尔姆大学）；Robert Bosch GmbH, Corporate Research（罗伯特·博世有限公司，企业研究）
本文评估了两种协作交叉口管理方法在现实混合交通中的性能，展示了其在减少穿越时间和停止次数方面的显著效果。
2026-02-01 cs.RO
InteractionNet: Joint Planning and Prediction for Autonomous Driving with Transformers
Xi’an Jiaotong University（西安交通大学）；Institute of Artificial Intelligence and Robotics（人工智能与机器人研究所）
针对自动驾驶中规划与预测独立处理忽略交互的问题，提出InteractionNet，利用双transformer架构联合规划与预测并聚焦关键车辆，在多个基准上显著提升安全性。
2023-09-07 cs.AI cs.RO
From Steering to Pedalling: Do Autonomous Driving VLMs Generalize to Cyclist-Assistive Spatial Perception and Planning?
本文提出CyclingVQA基准，评估自动驾驶VLMs在骑行辅助场景中的感知与推理能力，发现现有模型在骑行特定交通提示理解上存在不足，需进一步改进。
2026-02-11 cs.CV cs.RO
The Integration of Prediction and Planning in Deep Learning Automated Driving Systems: A Review
University of Lübeck（吕贝克大学）；University of Tübingen（蒂宾根大学）；Robert Bosch GmbH（罗伯特·博世有限公司）
该综述系统梳理了基于深度学习的自动驾驶规划系统中预测与规划的整合方式，分析不同整合原理的优劣，指出研究空白与未来方向，填补了该领域全面梳理的缺失。
2024-09-11 cs.AI cs.CV cs.LG
Automatic Intersection Management in Mixed Traffic Using Reinforcement Learning and Graph Neural Networks
Robert Bosch GmbH（罗伯特·博世有限公司）；Ulm University（乌尔姆大学）
本研究提出基于强化学习和图场景表示的协作多智能体规划方法，用于解决混合交通中的自动交叉口管理问题，显著提升了车辆通行量并减少了交互延误。
2023-07-28 cs.LG cs.RO
EPG-MGCN: Ego-Planning Guided Multi-Graph Convolutional Network for Heterogeneous Agent Trajectory Prediction
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
为了在复杂的交通环境中安全驾驶，自动驾驶车辆需要准确预测附近异构交通代理的未来轨迹（即，车辆、行人、骑自行车者等）。由于交互的性质，人类驾驶员习惯于推断如果他们要执行不同的操纵，未来的情况会变成什么样。为了充分利用相互作用的影响，本文提出了一种自我规划引导的多图卷积网络（EPG-MGCN）预测的轨迹异构代理使用的历史轨迹信息和自我车辆的未来规划信息。EPG-MGCN首先通过采用四个图拓扑来对社交交互进行建模，即，距离图、可见性图、规划图和类别图。然后，本车辆的规划信息由规划图和随后的规划引导预测模块两者编码，以减少轨迹预测中的不确定性。最后，一个特定类别的门控递归单元（CS-GRU）的编码器-解码器的设计，以产生未来的轨迹为每个特定类型的代理。我们的网络在两个真实世界的轨迹数据集上进行了评估：ApolloScape和NGSIM。实验结果表明，所提出的EPG-MGCN实现国家的最先进的性能相比，现有的方法。
2023-03-29 cs.CV cs.LG cs.RO
Collaborative Planning for Mixed-Autonomy Lane Merging
Georgia Institute of Technology（佐治亚理工学院）；Monash University（莫纳什大学）；Honda Research Institute（本田研究院）
驾驶是一种社会活动：驾驶员经常通过动作提示来表明他们改变车道的意图。我们考虑混合自动驾驶交通，其中人类驾驶车辆（HV）和自动驾驶车辆（AV）一起驾驶。我们提出了一个规划框架，AV认为其他代理的奖励的程度是由自私因素控制。我们测试我们的方法在一个模拟的双车道高速公路上的AV和HV合并到对方的车道。在一项有21个受试者和6个不同自私因素的用户研究中，我们发现我们的规划方法是合理的，并且当选择一个平衡两个代理的奖励的因素时，两个代理的合并时间更少。我们的研究结果表明，双车道合并，这是一个非零和游戏，鼓励进一步研究混合自主交通的协同决策算法。
2018-08-07 cs.AI cs.MA cs.RO
Shared Information-Based Safe And Efficient Behavior Planning For Connected Autonomous Vehicles
University of Connecticut（康涅狄格大学）
无线技术的最新进步使联网的自动驾驶汽车（CAV）能够通过车对车（V2 V）通信收集数据，例如来自其他车辆的处理后的激光雷达和摄像头数据。在这项工作中，我们设计了一个集成的信息共享和安全的多智能体强化学习（MARL）框架的CAV，利用额外的信息时，作出决策，以提高交通效率和安全。我们首先使用权重修剪卷积神经网络（CNN）在每个自动驾驶车辆本地处理原始图像和点云LIDAR数据，并与相邻CAV共享CNN-输出数据。然后，我们设计了一个安全的演员-评论家算法，利用车辆的本地观察和通过V2 V通信接收到的信息，探索一个有效的行为规划策略与安全保证。使用CARLA模拟器进行实验，我们表明，我们的方法提高了CAV系统的效率，在不同的CAV比率和不同的交通密度下的平均速度和舒适度。我们还表明，我们的方法避免了执行不安全的行动，并始终保持与其他车辆的安全距离。我们构建了一个弯道障碍场景，以表明共享视觉可以帮助CAV更早地观察障碍物并采取行动以避免交通堵塞。
2023-02-15 cs.AI cs.RO
Overview of Tools Supporting Planning for Automated Driving
Virtual Vehicle Research Center（虚拟车辆研究中心）
规划是自动驾驶领域的一个重要主题。除了文献中广泛涉及的规划算法之外，规划还需要不同的软件工具来进行开发、验证和执行。本文提出了一个调查，这些工具包括地图表示，通信，交通规则，开源规划栈和中间件，仿真和可视化工具以及基准。我们首先定义规划任务和不同的支持工具。接下来，我们提供了一个全面的国家的最先进的发展和分析它们之间的关系。最后，我们讨论了目前的差距，并提出了未来的研究方向。
2020-03-09 cs.AI cs.RO
Bringing Diversity to Autonomous Vehicles: An Interpretable Multi-vehicle Decision-making and Planning Framework
Shanghai AI Laboratory（上海人工智能实验室）
随着自动驾驶的发展，自动驾驶车辆（AV）和人类驾驶车辆（HV）在同一道路上行驶变得越来越普遍。现有的单车规划算法很难处理现实世界中复杂的社交互动。通过这些方法做出的决定对人类来说很难理解，增加了撞车的风险，使它们不太可能在实践中应用。此外，开源交通模拟器产生的车辆流过于保守，缺乏行为多样性。我们提出了一个分层的多车辆决策和规划框架，有几个优点。该框架共同为流内的所有车辆做出决策，并通过高频规划模块对动态环境做出迅速反应。决策模块产生可解释的动作序列，这些动作序列可以明确地将自我意图传达给周围的HV。我们还提出了合作因子和轨迹权重集，在社会和个人层面上为交通中的自动驾驶车辆带来多样性。我们提出的框架的优越性进行了验证，通过多个场景的实验，并通过闭环仿真所产生的车辆轨迹中的各种行为。
2023-02-14 cs.MA cs.RO
Behavior Identification and Prediction for a Probabilistic Risk Framework
Clemson University（克莱姆森大学）
在现实世界的交通中，自动驾驶汽车需要能够在复杂的环境（多个移动参与者）中规划其运动。通过这样的环境进行规划需要为轨迹或机动规划者提供正确的搜索空间，以便可以识别自我车辆的最安全运动。给定环境及其参与者的当前状态，基于所有交通参与者的预测轨迹分析风险为运动规划提供了必要的搜索空间。本文提供了一种新的安全/风险分类，自动驾驶汽车在交通中导航时应该能够处理这些安全/风险。它提供了一个参考系统架构，需要实现，以及描述了一种新的方式来识别和预测的行为的交通参与者使用经典的多模型自适应估计（MMAE）。实施模型的初步仿真结果。
2019-05-20 cs.AI cs.RO
Deep Structured Reactive Planning
Uber ATG（优步先进技术集团）；University of Toronto（多伦多大学）
在现实世界中运行的智能代理必须在实现其目标与维护自身以及周围场景中其他参与者的安全和舒适之间取得平衡。这就需要在决定自己的行动时，共同推理其他行为者的行为，因为这两个过程本质上是相互交织的-如果我们决定在交叉路口先前进，车辆将首先向我们让步，但如果我们决定让步，车辆将首先前进。然而，在大多数自动驾驶管道中，这一点并没有被捕捉到，在这些管道中，规划遵循预测。在本文中，我们提出了一种新的数据驱动的反应式规划目标，它允许自动驾驶汽车联合推理自己的计划以及其他参与者将如何对它们做出反应。我们将问题表述为基于能量的深度结构化模型，该模型从观测数据中学习，并对规划和预测问题进行编码。通过基于真实驾驶和综合生成的密集交通的模拟，我们证明了我们的反应模型在更快地成功完成高度复杂的机动（车道合并/交通转弯）方面优于非反应变体，而不会权衡碰撞率。
2021-04-29 cs.AI cs.CV cs.LG
Interaction-Aware Trajectory Prediction and Planning in Dense Highway Traffic using Distributed Model Predictive Control
Chalmers University of Technology（查尔姆斯理工大学）
针对密集交通中自动驾驶车辆的最优轨迹规划问题，提出一种结合分布式模型预测控制、耦合多智能体环境下轨迹预测与规划的新型框架，经仿真验证，其局部最优解优于解耦的预测规划方法。
2023-08-24 cs.RO cs.SY eess.SY
Interaction-Aware Vehicle Motion Planning with Collision Avoidance Constraints in Highway Traffic
Kyungpook National University（庆北国立大学）
本文针对高速公路自动驾驶中的车辆交互问题，提出一种将周围车辆轨迹与避撞约束耦合的最优控制框架，并基于庞特里亚金极小值原理实现轨迹优化，仿真验证了其有效性。
2024-04-02 cs.RO cs.SY eess.SY
Vehicle Route Planning using Dynamically Weighted Dijkstra's Algorithm with Traffic Prediction
Jaguar Land Rover India Limited（捷豹路虎印度有限公司）；University of Cambridge（剑桥大学）
传统的车辆路径算法没有考虑交通的变化特性。虽然存在具有不同权重的Dijkstra算法的实现，但是权重经常在算法的结果被执行之后改变，这可能并不总是导致选择最优路线。因此，本文提出了一种新的车辆路径算法，改进了Dijkstra的算法，使用交通预测模型的基础上，在道路网络中的交通流量。这里，Dijkstra算法在规划阶段本身使用交通流理论原理而被适配为动态的和不定常的。该模型提供了预测的交通参数和旅行时间在每个时刻的道路网络的每个边缘，导致更好的路由结果。本文提出的动态算法预测规划过程中每个时间步的交通状况变化，给出最优前瞻路径，并在随机模拟交通量的图上与传统的Dijkstra算法进行了比较，结果表明，该算法能更好地预测连续变化交通量下的最优路径。
2022-05-30 cs.RO cs.SY eess.SY
Energy-Aware Lane Planning for Connected Electric Vehicles in Urban Traffic: Design and Vehicle-in-the-Loop Validation
Department of Mechanical Engineering, UC Berkeley（机械工程系，伯克利大学）；Department of Civil Engineering, UC Berkeley（土木工程系，伯克利大学）；Zoox, Inc.（Zoox公司）
本文提出了一种基于V2I通信的能耗感知运动规划框架，通过联合优化纵向速度和横向车道变更决策，实现城市交通中能耗降低24%的显著效果。
2025-12-07 cs.RO cs.SY eess.SY
A-star path planning simulation for UAS Traffic Management (UTM) application
Aeronautics Institute of Technology (ITA)（航空技术研究所（ITA））
本文介绍了一个机器人操作系统和Gazebo应用程序，通过开发新的ROS包并与开源工具一起执行，来计算和模拟城市环境中无人机的最佳路线。首先，介绍了无人机系统的相关法规，为无人机系统仿真环境的构建提供指导，并对多种路径规划算法进行了综述，为无人机系统搜索方法的选择提供指导。在选择了A-star算法的基础上，本文分别采用曼哈顿距离和欧氏距离算法实现了A-star算法的二维和三维版本。这些算法的性能进行了评估，考虑到无人机覆盖的距离和路线规划方法的执行时间，旨在支持算法的选择的基础上，它将被应用的环境。当对2D和3D A-star算法使用欧几里德距离时，算法执行时间分别增加3.2和17.2。在分析算法性能的同时，本文也是利用ROS和Gazebo构建一个完整的UAS交通管理系统仿真的第一步。
2021-07-27 cs.RO cs.SY eess.SY
Airspace-aware Contingency Landing Planning
Virginia Polytechnic Institute and State University（弗吉尼亚理工大学）
本文提出了一种实时应急着陆规划器，通过结合空域和地面风险评估，减少交通干扰并提高着陆效率。
2026-02-06 cs.RO cs.SY eess.SY
Adaptive Spatio-Temporal Voxels Based Trajectory Planning for Autonomous Driving in Highway Traffic Flow
University of California, Berkeley（加州大学伯克利分校）
针对高速公路动态车流中静态时空体素可行域难以适应环境变化的问题，提出自适应时空体素轨迹规划方法，在保持二次规划形式的同时实时调整可行域，并在开环与闭环测试中优于现有方法。
2023-10-04 cs.RO
Inverse Optimal Planning for Air Traffic Control
University of Pennsylvania（宾夕法尼亚大学）；Microsoft Corporation（微软公司）
我们设想了一个系统，它简明地描述了空中交通管制的规则，协助人类操作员，并支持商业机场周围密集的自主空中交通。提出了一种基于最大熵逆强化学习的空中交通管制规则学习方法。该成本函数被用作基于搜索的运动规划方法的惩罚，该方法将控制空间和状态空间都离散化。我们说明的方法表明，我们的方法可以学习模仿机场到达路线和密集的商业空中交通的分离规则。所得到的轨迹被证明是安全的，可行的，和有效的。
2019-03-25 cs.RO
Traffic Regulation-aware Path Planning with Regulation Databases and Vision-Language Models
University of California Los Angeles（加利福尼亚大学洛杉矶分校）
本文提出一种将交通法规数据库与视觉语言模型相结合的自动驾驶路径规划框架，通过RGB摄像头感知环境并生成法规感知决策，在仿真和真实车辆测试中验证了其合法性、安全性与可行性。
2025-03-12 cs.RO cs.SY eess.IV
Solution Space Path Planning: A Real-Time Human-Centered Path Planning Algorithm for En-Route Air Traffic Control
Delft University of Technology（代尔夫特理工大学）
提出一种基于解空间的冲突避免路径规划算法，集成三种意图冲突检测方法，通过顶点和边搜索节点实现高效计算，在MUAC Delta扇区测试中平均计算时间3.69毫秒。
2026-08-03 cs.AI cs.RO cs.SY
Towards Cooperative Motion Planning for Automated Vehicles in Mixed Traffic
FZI Research Center for Information Technology（FZI 信息技术研究中心）；Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
虽然自动车辆的运动规划技术在反应和预期的方式已经被广泛提出，合作运动规划的方法仍然存在。在本文中，我们提出了一种方法来提高常见的运动规划算法，允许与人类驾驶的车辆合作。与以前的方法不同，我们将其他交通参与者的预测集成到运动规划中，这样就可以考虑到自我车辆的行为对其他交通参与者的影响。为此，提出了一种新的成本函数，包含场景中所有相关交通参与者的成本。最后，我们提出了一个路径速度分解采样为基础的实现，我们的方法为选定的情况下，这是在模拟评估。
2017-08-23 cs.MA cs.RO
Reinforcement Learning based Negotiation-aware Motion Planning of Autonomous Vehicles
Noah’s Ark Lab, Huawei Technologies（华为技术有限公司诺亚方舟实验室）
对于与人类交通参与者集成到道路上的自动驾驶车辆，它需要通过以可预测的方式响应而无需显式通信来理解和适应参与者的意图和驾驶风格。提出了一种基于强化学习的协商感知运动规划框架，该框架采用强化学习，通过实时的自适应地动态修改运动规划器的预测时域长度来调整规划器的驾驶风格，以适应环境变化的事件，通常由交通参与者具有不同驾驶风格的意图切换触发。该框架将自动驾驶车辆与其他交通参与者之间的交互建模为马尔可夫决策过程。该方法以网格图的时间序列作为RL模块的输入，嵌入隐式意图推理。采用课程学习提高算法的训练效率和鲁棒性。我们应用我们的方法在模拟和现实世界中的窄车道导航证明，所提出的方法优于常见的替代方案，由于其优势，在缓解社会困境问题与适当的谈判技巧。
2021-07-08 cs.RO cs.SY eess.SY
TraInterSim: Adaptive and Planning-Aware Hybrid-Driven Traffic Intersection Simulation
Zhengzhou University（郑州大学）
针对交通交叉口缺乏明确车道且传统方法依赖预定义车道或大量数据的问题，提出自适应且规划感知的混合驱动仿真方法TraInterSim，结合基于优化的数据驱动方案与速度连续性模型，实现了异构智能体在交互速率下的真实行为生成与规划感知的碰撞避免。
2023-04-05 cs.GR cs.RO
Virtual Traffic Lights for Multi-Robot Navigation: Decentralized Planning with Centralized Conflict Resolution
Deakin University（德金大学）；National Transport Research Organisation (NTRO)（国家交通研究组织）
该研究提出结合去中心化路径规划与中心化冲突解决的混合多机器人协调框架，通过虚拟交通灯式的停止指令减少死锁，在仿真及真实四足机器人、Duckiebots实验中提升了导航成功率。
2025-11-11 cs.RO
Delayed-Decision Motion Planning in the Presence of Multiple Predictions
Honda Research Institute, USA（本田研究院（美国））
针对交通参与者意图不确定带来的多未来预测问题，提出基于最大熵与MPC的延迟决策运动规划方法，并通过二次规划求解，在仿真和移动机器人上验证其安全性与可行性。
2025-06-07 cs.RO cs.SY eess.SY
Uncertainty-Aware Motion Planning for Autonomous Driving in Mixed Traffic Environment
Central South University（中南大学）；City University of Macau（澳门城市大学）
提出不确定性感知运动规划（UAMP），通过量化人类意图不确定性并引入不确定性校准值学习，提升自动驾驶在混合交通中的安全性和舒适性。
2026-06-08 cs.AI cs.RO
Learning Interaction-aware Guidance Policies for Motion Planning in Dense Traffic Scenarios
Delft University of Technology（代尔夫特理工大学）
在密集交通场景中的自主导航对于自动驾驶汽车（AV）来说仍然具有挑战性，因为其他驾驶员的意图无法直接观察，并且AV必须处理各种驾驶行为。为了在密集的交通中机动，自动驾驶汽车必须能够推理他们的行为如何影响他人（交互模型），并利用这种推理安全地在密集的交通中导航。本文提出了一种新的框架，在密集的交通场景中的交互感知运动规划。我们探讨了人类驾驶行为与其相互作用时的速度变化之间的联系。因此，我们建议通过深度强化学习（RL）来学习一种交互感知策略，该策略为基于优化的规划器提供关于其他车辆合作性的全局指导，以通过约束满足确保安全性和运动学可行性。学习的策略可以推理并引导具有交互行为的基于局部优化的规划器在密集交通中主动合并，同时在其他车辆不屈服的情况下保持安全。我们提出了定性和定量的结果，在高度互动的模拟环境（高速公路合并和无保护的左转）对两个基线的方法，基于学习和基于优化的方法。实验结果表明，与基于学习和基于优化的基线相比，该方法显著减少了碰撞次数，提高了成功率。
2021-07-09 cs.AI cs.RO
An Integrated Framework of Decision Making and Motion Planning for Autonomous Vehicles Considering Social Behaviors
School of Mechanical and Aerospace Engineering, Nanyang Technological University（南洋理工大学机械与宇航工程学院）
提出了一种新的综合方法，以处理的决策和运动规划的自动驾驶汽车（AV）的车道变换操纵考虑周围交通乘员的社会行为。通过驾驶风格和周围车辆的意图来反映，在建模过程中考虑了社会行为。然后，应用Stackelberg博弈理论解决决策问题，将其转化为一个非合作博弈问题。此外，在运动规划模型中引入势场，利用不同的势函数来描述周围车辆的不同行为和道路约束。然后，利用模型预测控制（MPC）来预测自主车辆的状态和轨迹。最后，决策和运动规划，然后集成到一个有约束的多目标优化问题。考虑到周围车辆的不同社会行为的三个测试场景进行了验证所提出的方法的性能。测试结果表明，该集成方法能够解决与其他交通参与者的不同社会互动，为自动驾驶汽车做出正确、安全的决策和规划，证明了其可行性和有效性。
2020-05-22 cs.RO cs.SY eess.SY
Real Time Motion Planning Using Constrained Iterative Linear Quadratic Regulator for On-Road Self-Driving
Tencent Technology (Beijing) Company Limited（腾讯科技（北京）有限公司）
避免碰撞是人们在开发自动驾驶技术时需要考虑的最具挑战性的任务之一。在本文中，我们提出了一种新的时空运动规划算法，有效地解决了约束非线性最优控制问题，使用迭代线性二次型调节器（iLQR），该方法考虑了交通车辆的不确定驾驶行为，并将自动驾驶车辆之间的碰撞风险降至最低，（称为“自我”车辆）和交通车辆之间的距离，使得自我车辆能够与所有周围车辆保持足够大的距离，以实现交通中期望的防撞操纵。为此，我们引入了“碰撞多边形”的概念，用于计算自我车辆和交通车辆之间的最小距离，并提供了两种不同的解决方案，设计的运动规划问题的约束条件，通过适当建模的交通车辆的行为，以评估碰撞风险。最后，利用仿真器和3级自动驾驶测试平台，对iLQR运动规划算法在多个实时避碰任务中进行了验证。
2022-02-17 cs.RO math.OC
An End-to-end Deep Reinforcement Learning Approach for the Long-term Short-term Planning on the Frenet Space
University of California Santa Cruz（加州大学圣克鲁兹分校）；Istanbul Technical University（伊斯坦布尔理工大学）
由于预测其他道路使用者行为的复杂性、环境的多样性和交通交互的复杂性，用于自主公路驾驶的战术决策和战略运动规划具有挑战性。本文提出了一种新的端到端连续深度强化学习方法，用于自动驾驶汽车的决策和运动规划。我们首次在Frenet空间上定义了状态空间和动作空间，使驾驶行为对道路曲率的变化比周围行为者的动态和交通相互作用小。智能体接收周围车辆过去轨迹的时间序列数据，并沿时间通道应用卷积神经网络来提取骨干中的特征。该算法在Frenet坐标系上生成连续的时空轨迹，供反馈控制器跟踪。在CARLA上进行的大量高保真高速公路仿真表明，与常用的基线和离散强化学习相比，该方法在各种交通场景下具有优越性。此外，所提出的方法的优势，证实了一个更全面的性能评估对1000随机生成的测试方案。
2020-11-26 cs.AI cs.RO cs.SY
Motion Planning under Uncertainty: Integrating Learning-Based Multi-Modal Predictors into Branch Model Predictive Control
Continental AG（大陆集团）
本文提出将多模态预测器与分支模型预测控制相结合的框架，通过拓扑与碰撞风险引导的场景选择和自适应决策推迟策略，在交通交叉口和高速公路合流场景中提升自动驾驶的实时性、舒适性与安全性。
2024-05-06 cs.RO cs.SY eess.SY
Formation Control with Lane Preference for Connected and Automated Vehicles in Multi-lane Scenarios
Tsinghua University（清华大学）；Intel Lab China（英特尔中国研究院）
多车道道路是现实交通系统中的典型场景。车辆通常根据其路线和目的地对车道有偏好。现有的研究很少考虑控制车辆在其期望的车道上行驶的问题。提出了一种考虑不同车道上车辆偏好的编队控制方法。采用双层编队控制框架规划车辆的无碰撞运动，上层进行相对目标分配和路径规划，下层进行轨迹规划和跟踪。将考虑车道偏好的无碰撞多车辆路径规划问题解耦为两个子问题：计算费用不减的分配表和根据给定的分配结果规划无碰撞路径。根据给定的分配结果，采用基于启发式搜索的方法规划车辆的无碰撞路径。进行了案例研究，并进行了模拟在一个三车道的道路场景。结果表明，所提出的形成控制方法显着减少拥挤，提高交通效率，在高交通量相比，基于规则的方法。
2021-06-18 cs.RO cs.SY eess.SY
Safe Robust Predictive Control-based Motion Planning of Automated Surface Vessels in Inland Waterways
Dept. of Mechanical Engineering, Clemson University（机械工程系，克莱姆森大学）
针对内河航道自主水面船舶导航面临的狭窄通道、高交通密度和水动力扰动挑战，提出结合鲁棒模型预测控制与控制屏障函数的运动规划方法，以安全约束确保碰撞避免，仿真验证了其有效性和安全性。
2025-09-08 cs.RO cs.SY eess.SY
Results of the 2023 CommonRoad Motion Planning Competition for Autonomous Vehicles
Université Paris Cité（巴黎大学）；Technische Universität München（慕尼黑工业大学）
基于CommonRoad基准套件举办自动驾驶运动规划竞赛，评估各方法在效率、安全、舒适及交通规则遵守方面的表现，并总结主要结果。
2024-11-10 cs.RO
iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed Multi-Agent Reinforcement Learning
University of Maryland（马里兰大学）；University of Texas, Austin（德克萨斯大学奥斯汀分校）
本文提出分布式 MARL 方法 iPLAN，使自动驾驶智能体仅凭局部观测推断其他驾驶员的行为与即时意图，并在两类交通仿真中显著提升奖励、成功率和生存时间。
2023-08-21 cs.LG cs.MA cs.RO
An Autonomous Driving Framework for Long-term Decision-making and Short-term Trajectory Planning on Frenet Space
University of California, Santa Cruz（加州大学圣克鲁兹分校）
在本文中，我们提出了一个层次结构的决策和规划的高速公路驾驶任务。我们利用智能驾驶模型（IDM和MOBIL）根据自我周围的交通状况生成长期决策。这些决定既能最大限度地提高自我性能，又能尊重其他车辆的目标。短期轨迹优化是在Frenet空间上进行的，以使计算对道路的三维曲率不变。针对运动障碍物，提出了一种新的基于Frenet框架的避障方法.优化探索驾驶走廊，以生成时空多项式轨迹，安全地通过交通导航，并服从BP命令。该框架还引入了一个启发式管理程序，用于识别意外情况，并在潜在紧急情况下重新计算每个模块。CARLA仿真实验表明，该框架在实现符合人类行为的各种驾驶风格方面具有潜力和可扩展性。
2020-11-26 cs.RO cs.SY eess.SY
Generating Comfortable, Safe and Comprehensible Trajectories for Automated Vehicles in Mixed Traffic
FZI Research Center for Information Technology（FZI信息技术研究中心）；Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院（KIT））
虽然自动驾驶的运动规划方法通常关注安全性和技术参数的数学优化，但它们几乎不考虑乘客的便利性、感知安全性和其他交通参与者的可理解性。然而，对于混合交通中的自动驾驶来说，这是获得公众接受的关键。在本文中，我们修改了混合交通中的运动规划的问题陈述：而不是在很大程度上简化的运动规划问题的凸优化问题，我们保持了一个更复杂的概率多智能体模型，并争取接近最优解。我们假设其他交通参与者的合作，但意识到违反这一假设。这种方法产生的解决方案在所有情况下都是安全的，并且在对人类来说也是明确的情况下是方便和可理解的。因此，它优于现有的方法在混合交通的情况下，我们在模拟中显示。
2019-05-11 cs.MA cs.RO
PredictionNet: Real-Time Joint Probabilistic Traffic Prediction for Planning, Control, and Simulation
NVIDIA（英伟达）
预测交通人员的未来运动对于安全高效的自动驾驶至关重要。为此，我们提出了PredictionNet，这是一个深度神经网络（DNN），可以预测所有周围交通代理的运动以及自我车辆的运动。所有的预测都是概率性的，并以一个简单的自上而下的光栅化表示，允许任意数量的代理。在具有车道信息的多层地图上，网络输出未来的位置，速度和回溯向量，联合用于包括自我车辆在内的所有代理。然后从输出中提取轨迹。该网络可用于模拟真实的流量，并在流行的基准测试中产生有竞争力的结果。更重要的是，通过将其与运动规划/控制子系统相结合，它已被成功地用于控制数百公里的真实车辆。该网络在嵌入式GPU上的运行速度快于实时的【形】，并且由于输入表示的选择，该系统显示出良好的泛化能力（跨感觉模态和位置）。此外，我们证明了通过使用强化学习（RL）扩展DNN，它可以更好地处理罕见或不安全的事件，如攻击性机动和碰撞。
2022-05-19 cs.LG cs.RO
RRT and Velocity Obstacles-based motion planning for Unmanned Aircraft Systems Traffic Management (UTM)
International Institute of Information Technology Hyderabad（海得拉巴国际信息技术学院）
提出了一种针对有限数量无人机的无人机系统交通管理算法。该算法是结合快速探索随机树（RRT）和速度障碍（VO）算法开发的，称为RRT-VO UTM算法。在这里，RRT算法离线工作，以在具有已知静态障碍物的给定环境中生成无障碍航路点。另一方面，VO算法在线操作以避免与其他UAV和已知静态障碍物碰撞。静态障碍物的边界被近似为小圆圈，以方便VO算法的制定。该算法的性能进行了评估，使用数值模拟，然后比较著名的人工势场（APF）避碰算法。所提出的方法的优点清楚地显示在较低的路径长度和碰撞避免能力的一个具有挑战性的情况。
2023-02-28 cs.RO
Let Hybrid A* Path Planner Obey Traffic Rules: A Deep Reinforcement Learning-Based Planning Framework
University of Bremen（不来梅大学）；TOPAS Industriemathematik Innovation gGmbH（TOPAS工业数学创新有限责任公司）
本文提出一种将深度强化学习高层决策与混合A*局部轨迹规划相结合的自动驾驶框架，并利用线性时序逻辑将交通规则编码为奖励函数，实现遵守规则的变道决策与无碰撞轨迹生成。
2024-07-01 cs.AI cs.RO
Pareto-optimal lane-changing motion planning in mixed traffic
Key Laboratory of Road and Traffic Engineering of the Ministry of Education, Tongji University（同济大学道路与交通工程教育部重点实验室）
本文将Pareto最优概念应用于混合交通换道规划，通过NSGA-II算法求解多目标优化问题，实验证明该方法能显著降低换道影响，总成本降低10.94%至48.66%。
2023-04-04 cs.RO
A Self-Supervised Learning Approach to Rapid Path Planning for Car-Like Vehicles Maneuvering in Urban Environment
Institute of Robotics and Machine Intelligence（机器人与机器智能研究所）；Poznan University of Technology（波兹南理工大学）
一个有效的路径规划器的自动汽车类车辆应该处理强大的运动学约束，特别是在有限的空间，而在城市交通中机动时经常遇到的，并应能够快速规划，因为城市交通场景是高度动态的。最先进的规划算法以高计算成本处理这种困难的情况，通常会产生不确定的结果。然而，利用在相同或相似环境中获得的过去规划经验，可以快速生成可行的局部路径。虽然通过监督训练的学习对于真实的交通场景是有问题的，但本文引入了一种新的基于神经网络的路径规划方法，该方法采用基于梯度的自监督学习算法来预测可行路径。这种方法充分利用了以往的经验，并迅速产生可行的机动计划，汽车类车辆有限的转向角。这种方法的有效性已被计算实验所证实。
2020-03-02 cs.LG cs.RO
