Self-Perception Versus Objective Driving Behavior: Subject Study of Lateral Vehicle Guidance
Institute for Driver Assistance and Connected Mobility, University of Applied Science Kempten（肯普滕应用科学大学驾驶辅助与互联移动研究所）；Department of Automotive Engineering, Technical University Berlin（柏林工业大学汽车工程系）
本文通过62名德国驾驶员的受控实车研究，提出评估横向弯道通过行为的新指标，并引入德语版多维驾驶风格量表MDSI-DE，发现自我报告与客观横向驾驶行为仅存在适度相关且个体差异显著，为个性化自动驾驶横向控制提供数据支持。
2024-02-21 cs.RO cs.SY eess.SY
An Anomaly Behavior Analysis Framework for Securing Autonomous Vehicle Perception
The University of Arizona（亚利桑那大学）
本文提出融合基于物理的车辆行为模型与机器学习的异常行为分析框架，通过时序特征识别感知传感器攻击，并在真实测试床实验中验证有效性且发布首个相关数据集。
2024-04-04 cs.RO cs.SY eess.SY
Robust AI Driving Strategy for Autonomous Vehicles
Ford Motor Company（福特汽车公司）
在自动驾驶的传感、感知和定位方面已经取得了重大进展，然而，由于交通/道路结构场景的广泛性和人类驾驶员行为的长尾分布，对于智能车辆来说，始终知道如何在给定可用的传感/感知/定位信息的情况下对道路做出并执行最佳决策仍然是一个公开的挑战。在本章中，我们将讨论人工智能，更具体地说，强化学习，如何利用操作知识和安全反射来做出战略和战术决策。我们讨论了与强化学习解决方案的鲁棒性相关的一些具有挑战性的问题，以及它们对自动驾驶汽车驾驶策略的实际设计的影响。我们专注于高速公路上的自动驾驶以及强化学习、车辆运动控制和控制障碍功能的集成，从而形成一种强大的AI驾驶策略，可以安全地学习和适应。
2022-07-16 cs.RO cs.SY eess.SY
Game-theoretic Modeling of Traffic in Unsignalized Intersection Network for Autonomous Vehicle Control Verification and Validation
University of Michigan（密歇根大学）；Bilkent University（比尔肯大学）
在可预见的未来，自动驾驶汽车（AV）将与人类驾驶的汽车一起在交通中运行。他们的规划和控制系统需要进行广泛的测试，包括模拟自动驾驶/人类驾驶车辆之间的交互的早期测试。出于对这种仿真工具的需求，我们提出了一种博弈论的方法来建模车辆的相互作用，特别是在城市交通环境与无信号交叉口。我们开发的交通模型与异构（在他们的驾驶风格方面）和互动的车辆基于我们提出的方法，并使用它们进行虚拟测试，评估和校准的AV控制系统。为了说明，我们考虑两种AV控制方法，分析其特性和性能的基础上，我们开发的交通模型的仿真结果，并优化其中之一的参数。
2020-07-18 cs.RO cs.SY eess.SY
Seeing What the Vehicle Sees: Video-Augmented Virtual Reality for Physical Autonomous Vehicles
Central Michigan University（中密歇根大学）
本文提出一种视频增强VR框架，将物理ROS 2机器人车辆与Unity 6应用耦合，在Meta Quest 3S头显上实时镜像运动并显示摄像头画面和导航决策，经20次试验验证，延迟29.63毫秒，路线误差2.28%，帧丢失0.25%，实现同步一致的沉浸式观察。
2026-09-15 cs.RO cs.SY eess.SY
Gradient Policy on "CartPole" game and its' expansibility to F1Tenth Autonomous Vehicles
Trinity College Dublin（都柏林圣三一学院）；College Green（学院绿地）
策略梯度是一种有效的方法来估计对环境的持续行动。本文详细介绍了该算法的数学公式和代码实现.最后，将CartPole上的摇杆旋转角度与Autonomous车辆转弯时的角度进行比较，并利用Bicycle Model这一简单的Kinematic动力学模型，找出两者之间的相似性，以便将CartPole模型移植到F1tenth Autonomous车辆上。
2021-03-15 cs.AI cs.RO cs.SY
Development of an Autonomous Reverse Engineering Capability for Controller Area Network Messages to Support Autonomous Control Retrofits
North Dakota State University（北达科他州立大学）
针对不同厂商CAN实现差异阻碍自动驾驶改装规模化的问题，提出通过同步记录IMU与CAN数据逆向识别车辆油门、制动踏板对应CAN通道的方法，经6辆车测试验证有效，可适配不同车辆通信标准，为售后自动驾驶套件开发提供支持。
2023-07-20 cs.OH cs.RO cs.SY
Resilient Cooperative Adaptive Cruise Control for Autonomous Vehicles Using Machine Learning
University of Florida（佛罗里达大学）
协同自适应巡航控制（CACC）是一种基本的互联车辆应用，它通过利用车对车（V2V）通信来扩展自适应巡航控制。CACC是众多自动驾驶汽车功能的关键组成部分，包括队列行驶、分布式路线管理等。不幸的是，恶意V2V通信可能会破坏CACC，导致字符串不稳定和道路事故。在本文中，我们开发了一种新的弹性基础设施，RACCON，用于检测和减轻对CACC的V2V攻击。RACCON使用机器学习来开发车载预测模型，该模型可以捕获异常的车辆响应并实时的执行缓解。支持RACCON的车辆可以利用CACC的高效率，而不会影响安全性，即使在潜在的敌对场景下也是如此。我们提出了广泛的实验评估，以证明RACCON的疗效。
2021-03-18 cs.CR cs.RO cs.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
eCAV: An Edge-Assisted Evaluation Platform for Connected Autonomous Vehicles
Georgia Institute of Technology（佐治亚理工学院）
针对大规模网联自动驾驶车辆仿真评估的计算瓶颈，提出高效可扩展的边缘辅助评估平台eCAV，支持V2X算法功能验证与性能预测，可建模256辆车，规模达现有方案8倍。
2025-06-27 cs.MA cs.NI cs.RO
Evaluating the acceptance of autonomous vehicles in the future
Universidad Carlos III de Madrid（马德里卡洛斯三世大学）；Johannes Kepler University Linz（林茨约翰内斯·开普勒大学）
汽车工业的不断发展导致了更先进的驾驶员辅助系统的出现，这些系统能够实现某些任务的自动化，并且无疑旨在实现驾驶任务可以完全委托的车辆。所有这些进步都将带来汽车市场范式的变化，保险业也是如此。因此，CESVIMAP和马德里卡洛斯三世大学正在研究一种用于保险研究的自动测试平台（ATLAS），以研究这项技术，并获得有关未来车辆开发中每个代理人责任的第一手知识。这项工作收集了ATLAS所取得的部分进步，这些进步使人们有可能拥有一辆自动驾驶汽车，在真实环境中进行测试和演示，使车辆更接近未来的用户。作为这项工作的结果，并与林茨约翰内斯开普勒大学合作，研究了用户在乘坐ATLAS等全自动驾驶汽车旅行后对自动驾驶汽车的影响、接受程度和信心。这项研究发现，虽然大多数用户愿意使用自动驾驶汽车，但同样的用户也担心这种技术的使用。因此，了解这种担忧的原因可以帮助定义自动驾驶汽车的未来。
2023-01-26 cs.RO cs.SE cs.SY
Scalable Autonomous Vehicle Safety Validation through Dynamic Programming and Scene Decomposition
Stanford University（斯坦福大学）；NASA Ames Research Center（NASA艾姆斯研究中心）
自动驾驶中的一个悬而未决的问题是如何最好地使用模拟来验证自动驾驶汽车的安全性。现有技术依赖于模拟的推出，这对于发现罕见的故障事件可能是低效的，而其他技术被设计为仅发现单个故障。在这项工作中，我们提出了一种新的安全验证方法，试图估计分布超过故障的自治政策使用近似动态规划。这种分布的知识允许有效地发现许多失败的例子。为了解决问题的可扩展性，我们分解复杂的驾驶场景子问题，只包括自我车辆和其他车辆。这些子问题可以用近似动态规划来解决，并且它们的解被重新组合以近似完整场景的解。我们将我们的方法应用到一个简单的两辆车的情况下，以证明该技术，以及一个更复杂的五辆车的情况下，以证明可扩展性。在这两个实验中，我们观察到与基线方法相比，发现的失败数量有所增加。
2020-06-26 cs.LG cs.RO cs.SY
Decision-Making Technology for Autonomous Vehicles Learning-Based Methods, Applications and Future Outlook
Delft University of Technology（代尔夫特理工大学）
自主车辆在民用和军事领域都有着巨大的应用潜力，随着科学和经济的快速发展，自主车辆已成为研究的热点。本文简要介绍了基于学习的自主车辆决策技术，因为它对自主车辆的安全和高效性能具有重要意义。首先，给出了决策技术的基本轮廓。其次，对基于学习的自主车辆决策方法的相关研究进行了综述，并与经典决策方法进行了比较。此外，总结了决策方法在现有自主车辆中的应用。最后，对自主车辆决策技术的未来研究方向进行了展望。
2021-07-02 cs.AI cs.RO
A Tutorial On Autonomous Vehicle Steering Controller Design, Simulation and Implementation
Toyota Technological Institute（丰田工业大学）
在本教程中，我们详细介绍了用于自动驾驶汽车的自动停车和路径跟踪的简单控制器，为曲率计算提供了实用的方法。
2021-07-13 cs.RO
Autonomous Vehicle Benchmarking using Unbiased Metrics
University of California, San Diego（加州大学圣迭戈分校）
随着自动驾驶汽车技术的最新发展，人们积极努力在不同规模上部署这项技术，包括城市和公路驾驶。虽然展示的许多原型已被证明在特定情况下可以运行，但人们几乎没有努力更好地了解它们的缺点以及对新领域的可推广性。在自动驾驶期间执行的手动脱离的距离、距离和数量提供了关于自动驾驶系统性能的高层次概念，但如果没有适当的数据标准化、测试位置信息和参与测试的车辆数量，单独的脱离报告并不能完全涵盖系统性能和鲁棒性。因此，在这项研究中，一套完整的指标适用于基准自动驾驶汽车系统在各种情况下，可以扩展与人类驾驶员和其他自动驾驶汽车系统进行比较。这些指标已被用于在微交通和自动邮件递送应用的早期部署期间对加州大学圣地亚哥分校的自动驾驶汽车平台进行基准测试。
2020-09-11 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
Vehicle Top Tag Assisted Vehicle-Road Cooperative Localization For Autonomous Public Buses
Harbin Cambridge University（哈尔滨剑桥大学）
针对自动驾驶公交车在复杂交叉路口场景下的定位难题，提出车顶标签辅助车路协同定位方法，并给出标签检测与定位的具体解决方案，仿真验证了其有效性且具备广泛扩展潜力。
2025-08-08 cs.RO
Intelligent Perception System for Vehicle-Road Cooperation
随着自动驾驶的发展，单个车辆自动驾驶技术的提升已经到了瓶颈。车路协同自动驾驶技术的进步，可以扩大车辆的感知范围，补充感知盲区，提高感知精度，推动自动驾驶技术的发展，实现车路融合。本项目主要利用激光雷达开发数据融合方案，实现车辆和道路设备数据的共享和融合，实现对动态目标的检测和跟踪。同时，设计了车路协同感知系统的测试场景，对车路协同感知系统进行了测试，验证了车路协同自主驾驶相对于单车自主驾驶的优势。
2022-08-30 cs.AI cs.RO
Decoupled Sampling Based Planning Method for Multiple Autonomous Vehicles
Linköping University（林雪平大学）
本文提出了一种基于采样的规划算法来控制自动驾驶车辆。提出了一种改进的快速搜索随机树，其中包括K-最近点的定义，并提出了一个两阶段的采样策略来调整RRT在其他执行机动，同时避免碰撞。仿真结果表明了该算法的成功性。
2017-02-11 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
JKU-ITS Automobile for Research on Autonomous Vehicles
Johannes Kepler University Linz（林茨约翰内斯·开普勒大学）；UAS Technikum Wien（维也纳技术应用科学大学）
在本文中，我们提出了我们的自动驾驶研究的全新平台。所选择的车辆是丰田的RAV4混合动力SUV，配备有外感受传感器，如多层激光雷达，单目摄像头，雷达和GPS;以及本体感受传感器，如编码器和9-DOF IMU。这些传感器通过在Linux 20.04下运行ROS 1的主计算机集成在车辆中。此外，我们安装了一个名为Comma Two的开源ADAS，它运行Openpilot来控制车辆。该平台目前正用于自动驾驶汽车、人与自动驾驶汽车交互、人为因素和能源消耗等领域的研究。
2023-01-16 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
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
Simulating Crowds and Autonomous Vehicles
University of Sheffield（谢菲尔德大学）
了解人们如何看待自动驾驶汽车并与之互动，对于指导未来的研究方向非常重要。其中一种帮助理解的方法是通过模拟涉及人和自动驾驶车辆的虚拟环境。我们提出了一个模拟模型，将人和自动驾驶汽车在一个共享的城市空间。该模型能够实时模拟数千人和车辆。这是通过使用GPU硬件，并通过一个新的线性规划求解器优化的GPU上的大量问题。该模型比同等的多核CPU模型快30倍。
2020-08-25 cs.RO
A Driving Intention Prediction Method Based on Hidden Markov Model for Autonomous Driving
在自动驾驶车辆和人类驾驶车辆同时存在的混合交通场景中，及时预测附近人类驾驶车辆的驾驶意图对于自动驾驶车辆的安全和高效驾驶至关重要。提出了一种基于隐马尔可夫模型（HMM）的自动驾驶汽车驾驶意图预测方法。代表不同的驾驶意图的障碍训练和测试与现场收集的数据从立交桥。在训练模型时，应用车辆的移动性特征的离散或连续表征。实验结果表明，利用连续表征的移动性特征训练的Hacker用于驾驶意图预测时，具有较高的预测精度。此外，当考虑车辆周围交通时，所提出的预测方法的性能得到进一步改善。
2019-02-25 cs.LG cs.RO stat.ML
"Curse of rarity" for 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）；Mcity
在本文中，我们揭示了高维驾驶环境中安全关键事件的罕见性是自动驾驶汽车开发安全挑战的根本原因。我们将其表述为“稀有诅咒”（CoR），因为它普遍存在于各种安全关键系统中，如医疗诊断和航空航天系统。
2022-09-26 cs.RO
A Tutorial on Sim-ATAV: Simulation-based Adversarial Testing Framework for Autonomous Vehicles
Arizona State University（亚利桑那州立大学）
在模拟环境中测试自动驾驶汽车至关重要。Sim-ATAV是一个开源框架，用于在仿真环境中试验不同的测试生成技术以供研究。本文档提供了一个Sim-ATAV的教程，并提供了一个运行示例。
2019-03-26 cs.RO
Dolphin: a task orchestration language for autonomous vehicle networks
Faculdade de Engenharia da Universidade do Porto（波尔图大学工程学院）；CRACS/INESC-TEC；Faculdade de Ciências da Universidade do Porto（波尔图大学理学院）
我们提出了海豚，可扩展的程序设计语言的自动驾驶汽车网络。Dolphin程序表达了为多个车辆组成定义的任务的协调执行。基于基本的单车辆任务的基本情况，内置的操作符包括支持以多种形式组成任务，例如根据并发，顺序或基于事件的任务流。该语言被实现为Groovy DSL，便于扩展和与外部软件包集成，特别是机器人工具包。本文描述了Dolphin语言，其与自动驾驶车辆的开源工具链的集成，以及使用无人水下航行器（UUV）和无人机（UAV）进行现场测试的结果。
2018-07-26 cs.RO
Clustering of Driving Encounter Scenarios Using Connected Vehicle Trajectories
Carnegie Mellon University（卡内基梅隆大学）；University of Michigan（密歇根大学）
多车辆交互行为分类和分析提供了深入的知识，为自动驾驶车辆做出有效的决策。本文的目的是聚类的驾驶遭遇的情况下，仅基于多车辆GPS轨迹的范围广泛。为此，我们提出了一个通用的无监督学习框架，包括两层：特征表示层和聚类层。在特征表示层中，我们将深度自动编码器与基于距离的度量相结合，将驾驶遭遇的顺序观察映射到一个计算上易于处理的空间中，该空间允许量化两辆车的时空交互特征。聚类算法，然后应用到所提取的表示收集同质的驾驶遇到成组。我们提出的通用框架，然后使用2,568自然驾驶遭遇进行评估。实验结果表明，我们提出的通用框架结合无监督学习可以聚类多轨迹数据到不同的群体。这些聚类结果可以为自主车辆的决策分析和设计提供参考。
2019-03-16 cs.RO
Formally Modeling Autonomous Vehicles in LNT for Simulation and Testing
University of Toronto（多伦多大学）；Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔理工学院）
我们提出了两个行为模型的自动驾驶汽车及其与环境的相互作用。这两个模型都使用CADP工具箱提供的形式化建模语言LNT。本文讨论了我们的自动驾驶汽车模型的建模选择和挑战，并说明了如何将正式验证工具应用于单个组件或整体车辆。
2022-03-18 cs.LO cs.RO
On Designing Computing Systems for Autonomous Vehicles: a PerceptIn Case Study
PerceptIn Inc.（PerceptIn公司）；South China University of Technology（华南理工大学）
PerceptIn在全球范围内开发和商业化用于微型移动的自动驾驶汽车。本文对PerceptIn的开发和运营经验进行了全面的总结。本文提供了我们产品背后的商业故事，并介绍了我们的车辆计算系统的发展。我们说明了计算系统的设计决策，并显示本地化工作负载卸载到FPGA平台上的优势。
2020-11-12 cs.RO
SMET: Scenario-based Metamorphic Testing for Autonomous Driving Models
为了提高自动驾驶模型的安全性和鲁棒性，提出了一种基于XML的自动驾驶模型变形测试工具SMET。将变形关系划分为时间、空间和事件三个维度，并通过两类不同输出的自动驾驶模型实例验证了该工具的有效性，实验结果表明，该工具能够很好地检测出自动驾驶模型的潜在缺陷，复杂场景比简单场景更有效.
2021-04-08 cs.RO
Adaptive Game-Theoretic Decision Making for Autonomous Vehicle Control at Roundabouts
University of Michigan（密歇根大学）；Bilkent University（比尔肯特大学）
在本文中，我们提出了一个决策算法的自主车辆控制在环形交叉口。该算法是基于一个博弈论模型表示的自我车辆和对手车辆之间的相互作用，并适应于在线估计的对手车辆的驾驶员类型。模拟结果的报告。
2018-10-01 cs.GT cs.LG cs.RO
LiDAR-Based Vehicle Detection and Tracking for Autonomous Racing
Politecnico di Milano（米兰理工大学）
本文提出一种基于LiDAR的车辆检测与跟踪流程，包括快速点云分割、车辆姿态估计和变步长多目标跟踪，应用于自动驾驶赛车，实现在超过275公里/小时速度下的自主超车。
2025-01-24 cs.CV cs.RO
Autonomous Vehicles on the Edge: A Survey on Autonomous Vehicle Racing
University of Pennsylvania（宾夕法尼亚大学）；ETH Zurich（苏黎世联邦理工学院）；California Institute of Technology（加州理工学院）；Technical University of Munich（慕尼黑工业大学）；University of Virginia（弗吉尼亚大学）；Clemson University（克莱姆森大学）
近年来，自动驾驶汽车的日益普及导致了一个新的研究领域的出现：自动驾驶赛车。研究人员正在为高性能赛车开发软件和硬件，这些赛车旨在在车辆极限的边缘自动运行：高速，高加速度，低反应时间，高度不确定，动态和对抗性环境。本文代表了第一个全面的调查，涵盖了在自动驾驶赛车领域的研究。我们只专注于自动驾驶赛车领域，并展示用于感知，规划和控制以及端到端学习领域的算法，方法和途径。此外，随着越来越多的自主赛车比赛，研究人员现在可以使用一系列高性能平台来测试和评估他们的自主算法。该调查全面概述了当前的自动驾驶赛车平台，强调软件-硬件共同进化到当前阶段。最后，基于与该领域领先研究人员的额外讨论，我们总结了开放研究的挑战，这将指导未来的研究人员在这一领域。
2022-02-14 cs.RO cs.SE
A Hybrid Control Design for Autonomous Vehicles at Uncontrolled Intersections
Stanford University（斯坦福大学）；UC Berkeley（加州大学伯克利分校）
随着自动驾驶汽车（AV）越来越接近现实，接受的核心要求将是在日常驾驶情况下赢得人类的信任。特别是，自动驾驶汽车和行人之间的互动非常重要，因为每个人在一天中的某个时候都是行人。本文考虑了行人和自动驾驶车辆在中间街区的相互作用，无信号交叉口，行人何时应该穿过，车辆何时以及如何屈服是模糊的。通过通过间隙接受的概念对行人行为进行建模，作者表明，仅具有四种不同模式的混合控制器允许自动驾驶车辆在可能的人行横道进入行为的连续范围内与行人成功互动。通过大量的仿真验证控制器，并与替代POMDP解决方案和实验结果提供了一个虚拟行人的研究车辆。
2019-02-02 cs.RO
Graph and Recurrent Neural Network-based Vehicle Trajectory Prediction For Highway Driving
Nanyang Technological University（南洋理工大学）；University of Oxford（牛津大学）
将轨迹预测集成到模块化自动驾驶系统的决策和规划模块中，有望提高自动驾驶车辆的安全性和效率。然而，车辆的未来轨迹预测是一个具有挑战性的任务，因为它是由相邻车辆的社会互动行为的影响，和相邻车辆的数量可以在不同的情况下变化。本文提出了一种基于GNN-RNN的编码器-解码器网络用于交互感知轨迹预测，其中使用RNN从车辆的历史轨迹中提取车辆的动态特征，车辆间的交互由有向图表示并使用GNN编码。GNN的并行性意味着所提出的方法有可能同时预测多个车辆的轨迹。从NGSIM US-101数据集提取的数据集上的评估表明，所提出的模型是能够预测目标车辆的轨迹的情况下，与周围的车辆数量可变。
2021-07-08 cs.RO
Distributed Multi-Target Tracking for Autonomous Vehicle Fleets
Stanford University（斯坦福大学）
我们提出了一个可扩展的分布式目标跟踪算法的基础上交替方向的乘法器，非常适合于车队的自动驾驶汽车通过车辆到车辆的网络进行通信。每个感测车辆与其邻居通信以执行类似卡尔曼滤波器的更新的迭代，使得每个代理的估计近似于集中式最大后验估计，而不需要测量的通信。我们表明，我们的方法优于共识卡尔曼滤波器在恢复集中估计给定一个固定的通信带宽。我们还在高保真城市驾驶模拟器（CARLA）中演示了该算法，其中连接在时变通信网络上的50辆自动驾驶汽车使用车载摄像头跟踪50辆目标车辆的位置和速度。
2020-04-13 cs.RO
Towards Explainability in Modular Autonomous Vehicle Software
University of Pennsylvania（宾夕法尼亚大学）
安全关键的自治系统需要可信和透明的决策过程才能在现实世界中部署。机器学习的进步引入了高性能，但主要是通过黑盒算法。我们专注于讨论自动驾驶汽车（AV）的可解释性。作为一个安全关键系统，自动驾驶汽车提供了利用尖端机器学习技术的独特机会，同时要求决策的透明度。在事后分析中，AV采取的每一个行动的可解释性变得至关重要，其中可能需要进行责任分配。在本文中，我们提供了研究人员如何考虑将可解释性和可解释性纳入独立的自动驾驶汽车模块（包括感知，规划和控制）的设计和优化中的定位。
2022-12-01 cs.RO
Development of a Testbed for Autonomous Vehicles: Integrating MPC Control with Monocular Camera Lane Detection
Islamic University of Technology（伊斯兰理工大学）
本文提出了一种结合MPC控制与单目摄像头车道检测的新方法，用于提高自动驾驶车辆轨迹跟踪的精度和稳定性，并通过仿真验证了控制器的鲁棒性和灵活性。
2025-11-26 cs.RO
INTERNEURON: A Middleware with Multi-Network Communication Reliability for Infrastructure Vehicle Cooperative Autonomous Driving
Institute of Computing Technology, CAS（中国科学院计算技术研究所）；University of Delaware（特拉华大学）；University of Chinese Academy of Sciences（中国科学院大学）
结构-车辆协同自动驾驶（IVCAD）是一种新的自动驾驶模式，它依赖于智能道路和自动驾驶车辆之间的协作。与仅车载自动驾驶模式相比，这种模式已被证明更安全，更高效。我们的实际部署数据表明，IVCAD的有效性受到商业通信网络的可靠性和性能的限制。本文正是针对这一问题，并提出了INTERNEURON，一个中间件，以实现智能道路和自动驾驶汽车之间的高通信可靠性，在IVCAD的背景下。具体而言，INTERNEURON根据不同的通信性能和质量需求，动态匹配IVCAD应用程序和底层通信技术。评估结果证实，INTERNEURON减少了超过95%的最后期限违规，显着提高了IVCAD系统的可靠性。
2022-10-28 cs.PL cs.RO
Autonomous Racing with AutoRally Vehicles and Differential Games
Georgia Institute of Technology（佐治亚理工学院）
安全的自动驾驶汽车必须能够预测周围的驾驶员并做出反应。以前的控制方法严重依赖于预先计算，并且无法在动态事件实时展开时对其做出反应。在本文中，我们扩展了模型预测路径积分控制（MPPI），利用微分对策理论，并引入最佳响应MPPI（BR-MPPI）的实时多车互动。实验结果使用两个AutoRally平台的赛车格式与BR-MPPI竞争对熟练的人类司机在佐治亚理工学院的自动赛车设施。
2017-07-14 cs.RO
Joint Belief and Intent Prediction for Collision Avoidance in Autonomous Vehicles
University of Florida（佛罗里达大学）
本文描述了一种新的方法，允许自主地面车辆预测城市环境中的其他代理的意图。这种方法，被称为认知驾驶框架，模型的意图和潜在的错误信念的障碍车辆。通过将这些变量之间的关系建模为动态贝叶斯网络，可以执行过滤以计算障碍车辆的意图以及其对环境的信念。当在城市环境中导航时，可以利用这种联合知识来规划更安全和更有效的轨迹。仿真结果表明，当自动驾驶车辆在道路交叉口导航时，所提出的方法能够计算障碍车辆的意图，以便采取预防性机动以避免即将发生的碰撞。
2015-03-31 cs.RO
COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked Vehicles
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Sony AI（索尼人工智能）；Stanford University（斯坦福大学）
用于自动驾驶车辆的光学传感器和学习算法在过去几年中取得了巨大的进步。尽管如此，当今自动驾驶汽车的可靠性受到有限的视线传感能力和处理极端情况的数据驱动方法的脆弱性的阻碍。随着通信技术的发展，车对车通信的协同感知已经成为一种很有前途的范例，以加强在危险或紧急情况下的自动驾驶。我们引入了COOPERNAUT，这是一种端到端的学习模型，它使用跨车辆感知进行基于视觉的协作驾驶。我们的模型将LiDAR信息编码为紧凑的基于点的表示，这些表示可以通过真实的无线信道在车辆之间作为消息传输。为了评估我们的模型，我们开发了AutoCastSim，这是一个网络增强的驾驶模拟框架，其中包含易发生事故的场景。我们在AutoCastSim上的实验表明，我们的合作感知驾驶模型在这些具有挑战性的驾驶情况下比以自我为中心的驾驶模型平均成功率提高了40%，并且比以前的工作V2VNet的带宽要求小5倍。COOPERNAUT和AUTOCASTSIM可在https://ut-austin-rpl.github.io/Coopernaut/上找到。
2022-05-04 cs.CV cs.RO
Transfer Learning and Organic Computing for Autonomous Vehicles
University of Passau（帕绍大学）
自动驾驶汽车（AV）是未来最光明的前景之一，它将有助于减少死亡人数，改善旅行时间，同时协调工作。自动驾驶汽车将面临前所未有的挑战和体验。这些经验应该转化为知识，帮助车辆在未来做好更好的准备。在线迁移学习将有助于将先前的知识转移到新的任务中，并随着任务的发展保持知识的更新。本文介绍了适用于自动驾驶汽车领域的迁移学习、在线迁移学习和有机计算的不同方法。
2018-08-16 cs.LG cs.RO stat.ML
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
Evaluating Pedestrian Risks in Shared Spaces Through Autonomous Vehicle Experiments on a Fixed Track
Johannes Kepler University Linz（约翰·凯撒大学林茨）；Department Intelligent Transport Systems（智能交通运输系统部门）
本研究通过固定轨道上的自动驾驶汽车实验，探讨共享空间中行人面对警报系统的反应，验证了其他情境的安全措施可适用于有轨电车共享空间，以降低无管制交叉路口风险。
2025-04-19 cs.RO
MVAdapt: Zero-Shot Multi-Vehicle Adaptation for End-to-End Autonomous Driving
Interdisciplinary Program in AI, Seoul National University（人工智能交叉学科项目，首尔国立大学）
MVAdapt通过结合冻结的TransFuser++场景编码器和轻量级物理编码器，提出了一种基于物理条件的多车辆端到端自动驾驶适应框架，实现了对不同车辆的零样本转移和少量样本校准。
2026-04-13 cs.AI 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
Adversarial Evaluation of Autonomous Vehicles in Lane-Change Scenarios
Tsinghua University（清华大学）；Anhui Jianghuai Automobile Co Ltd（安徽江淮汽车集团股份有限公司）
在城市和高速公路上部署自动驾驶汽车之前，必须对其进行全面评估。然而，大多数现有的自动驾驶汽车的评估方法是静态的，缺乏适应性，所以他们通常是低效的，在生成具有挑战性的场景测试车辆。在本文中，我们提出了一个自适应评估框架，以有效地评估深度强化学习生成的对抗性环境中的自动驾驶汽车。考虑到危险场景的多模态性质，我们使用集成模型来表示不同的局部最优值的多样性。然后，我们利用非参数贝叶斯方法对对抗策略进行聚类。所提出的方法是在一个典型的换道场景，涉及频繁的自我车辆和周围的车辆之间的相互作用进行验证。结果表明，我们的方法产生的对抗性场景显着降低测试车辆的性能。我们还说明了生成的对抗性环境的不同模式，这些模式可用于推断测试车辆的弱点。
2020-11-23 cs.LG cs.RO stat.ML
Competitive Driving of Autonomous Vehicles
Ariel University（阿里埃勒大学）
本文介绍了Ariel Team为Indy Autonomous Challenge（IAC）模拟比赛开发的自主赛车控制器。IAC是第一个多车辆自动驾驶的头对头比赛，沿着椭圆形赛道达到300公里/小时的速度，模仿印第安纳波利斯赛车场（IMS）。我们的赛车控制器试图最大限度地提高沿赛道的进展，同时避免与对手车辆碰撞，并遵守比赛规则。为此，比赛控制器首先离线计算比赛线。然后，它反复在线计算一小组动态可行的机动候选，每个测试与对手车辆的碰撞。最后，它选择的机动，最大限度地提高沿轨道的进展，考虑到种族线。机动候选人，以及对手车辆的预测轨迹，近似使用点质量模型。尽管这个赛车控制器很简单，但它在IAC最终模拟比赛中成功地驾驶了比赛，并且没有与任何对手车辆发生碰撞。
2022-10-30 cs.RO
An Agent-based Modelling Framework for Driving Policy Learning in Connected and Autonomous Vehicles
Institute for Digital Technologies, Loughborough University（拉夫堡大学数字技术研究所）
由于自然世界的复杂性，程序员无法预见所有可能的情况，连接和自主车辆（CAV）将在其操作过程中面临，因此，CAV将需要学习自主决策。由于其周围环境的感知以及与其他车辆和道路基础设施交换的信息，CAV将获得大量有用的数据。虽然已经提出了不同的控制算法的CAV，自动驾驶汽车的连接到其他车辆和基础设施所带来的好处，其影响同策略学习还没有在文献中研究。本文研究了一个数据驱动的策略学习框架，通过基于代理的建模方法。该文件的贡献是双重的。提出了一种动态规划框架，用于在有和没有与相邻车辆的连接的情况下进行车载策略学习。仿真结果表明，虽然CAV可以学习做出自主决策，但车辆对车辆（V2V）的信息通信提高了这种能力。此外，为了克服CAV中传感的局限性，本文提出了一种新的概念，用于基础设施引导的策略学习和与自动驾驶车辆的通信。在基础设施引导的策略学习中，路边基础设施感测并捕获成功的车辆操纵，并从这些时间序列中学习最优策略，并且当车辆接近路边单元时，该策略被传达给CAV。提出了深度模仿学习方法来开发这样一个基础设施引导的策略学习框架。
2018-08-23 cs.MA cs.RO
Don't Get Yourself into Trouble! Risk-aware Decision-Making for Autonomous Vehicles
The Pennsylvania State University（宾夕法尼亚州立大学）
风险传统上被描述为不期望结果的预期可能性，例如自动驾驶车辆的碰撞。准确预测风险或潜在风险情况对于自动驾驶汽车的安全运行至关重要。在我们以前的工作中，我们表明风险可以由两个组成部分来表征：1）不期望结果的概率和2）对结果（损失）的不期望程度的估计。本文是我们以前工作的一个扩展。在本文中，使用我们训练的深度强化学习模型在人群中导航，我们为自动驾驶汽车开发了一个基于风险的决策框架，该框架集成了基于风险的高级路径规划和基于强化学习的低级控制。我们评估了我们的方法在一个高保真度的模拟，如CARLA。这项工作可以提高安全性，让自动驾驶汽车有一天可以避免和应对危险情况。
2021-06-08 cs.AI cs.RO
The Role of the Hercules Autonomous Vehicle During the COVID-19 Pandemic: An Autonomous Logistic Vehicle for Contactless Goods Transportation
自二零二零年初以来，2019冠状病毒病（COVID-19）在全球迅速蔓延。截至本文撰写之日，全球已有223个国家和地区报告了这种疾病，感染人数超过1.08亿，死亡人数超过240万（https：//covid19.who.int/，2021年2月17日访问）。避免人与人之间的传播是控制和预防大流行病的有效方法。然而，许多日常活动，如我们日常生活中的货物运输，不可避免地涉及人与人之间的接触。使用自动物流车辆来实现非接触式货物运输可以缓解这个问题。例如，它可以降低司机和客户之间病毒传播的风险。此外，许多国家已实施严格的封锁措施以减少病毒传播（例如，零售、餐饮），给人们的日常生活带来不便。自动驾驶汽车可以运送人类购买的货物，使人类不需要出门就可以拿到货物。这些需求促使我们开发一款名为Hercules的自动驾驶汽车，用于COVID-19疫情期间的非接触式货物运输。通过在各种交通条件下的实际交付任务对车辆进行评估。
2021-02-17 cs.CV cs.RO
