Increasing Traffic Throughput by Controlling Autonomous Vehicles at Low Penetration Rates
人类驾驶员可能会以不精确/不稳定的方式行事，导致对交通吞吐量有害的交通振荡。最近的现场实验表明，对单个自动驾驶车辆（AV）的控制可以增加环形测试轨道上的交通吞吐量，并减少直道上的交通振荡。我们考虑一个混合的交通环境，包括人类和自动驾驶汽车，其目标是找到一个控制策略，自动驾驶汽车，最大限度地提高交通吞吐量，防止振荡的速度。我们制定这个问题作为一个优化问题，可以解决基于梯度的优化。环形道路上的数值实验表明，优化后的控制策略使交通吞吐量提高了28%。
2019-11-28 cs.SY eess.SY
Decision Making for Autonomous Vehicles at Unsignalized Intersection in Presence of Malicious Vehicles
National Institute of Informatics（国立情报学研究所）；Japanese-French Laboratory for Informatics（日法信息学联合实验室）
本文研究了在存在恶意车辆的情况下，自动驾驶车辆在无信号交叉口的决策问题，通过博弈论方法分析车辆优先权顺序，并通过数值模拟验证了不同恶意车辆场景下的方法有效性。
2019-10-03 cs.SY eess.SY
A Sliding Mode Observer Approach for Attack Detection and Estimation in Autonomous Vehicle Platoons using Event Triggered Communication
人们正在研究自动驾驶汽车排，以提高道路容量和燃油效率。协同自适应巡航控制（CACC）是一种控制编队纵向动力学的方法，它需要车辆之间的无线通信。在本文中，我们使用滑模观测器来检测和估计威胁这样的无线通信的网络攻击。特别是，我们证明了稳定的观察员和鲁棒性的检测阈值的情况下，事件触发的通信，以下一个现实的车辆到车辆的网络协议。
2019-11-01 cs.SY eess.SY
Demand for shared mobility to complement public transportation: Human driven and autonomous vehicles
通信技术和自动驾驶汽车的最新进展为替代移动系统（出租车、拼车、需求响应服务、点对点拼车、汽车共享、共享自动驾驶汽车/班车）打开了大门。这些新的移动服务引起了研究人员、公共和私营部门的兴趣，成为解决最后一英里问题的潜在解决方案，特别是在高频率公交车不可行的低密度地区。在这项研究中，我们调查了乘车共享服务对出行需求和福利的影响，因为它补充了不同场景下的公共交通。考虑了两种类型的管理和车辆类型：众包人类驾驶车辆（HDV）（例如Uber，Lyft）和集中运营的共享自动驾驶车辆（SAV）。研究了票价折扣对交通需求和交通方式转换的影响。以加拿大安大略省奥克维尔市为例，利用实际数据进行了道路网的实例研究.结果显示，在集中运营的共享自动驾驶汽车下，共享乘车有可能将乘客量增加76%，并将等待时间减少47%，共享票价折扣为50%。
2021-03-17 cs.SY eess.SY
Application of Data-Driven Model Predictive Control for Autonomous Vehicle Steering
本文提出将数据驱动MPC应用于自动驾驶车辆转向，避免复杂建模，通过CarSim-Simulink仿真验证，相比PID和运动学MPC，该方法计算时间低、误差小，具有可行性和优越性。
2024-07-18 cs.SY eess.SY
Safe Intersection Management for Mixed Transportation Systems with Human-Driven and Autonomous Vehicles
Texas A&M University（德克萨斯农工大学）
本文研究了混合交通系统中人驾驶和自动驾驶车辆共存时的安全管理问题，提出了一种基于MPC的协议和交通信号协调协议，以确保交叉口的安全性。
2018-10-14 cs.SY eess.SY
Trajectory planning for multiple autonomous underwater vehicles with safety guarantees
研究了多自主水下机器人（AUV）在强海浪中的轨迹规划问题，该问题会干扰AUV的轨迹跟踪能力，并导致障碍物和机器人之间的碰撞。提出了一种基于Hamilton-Jacobi微分对策和模型预测控制的AUV安全轨迹生成方法，该方法考虑了时变状态无关或时变状态相关的波浪扰动。该方法规划多个AUV的安全保证的轨迹，并考虑AUV的形状，其中非线性光滑避碰约束通过强对偶性获得。
2020-11-27 cs.SY eess.SY
Learning to Influence Vehicles' Routing in Mixed-Autonomy Networks by Dynamically Controlling the Headway of Autonomous Cars
众所周知，自动驾驶汽车可以通过在车辆队列中保持较小的车头时距来增加道路通行能力。最近的研究表明，这些容量的增加会以意想不到的方式影响车辆的路线选择，类似于众所周知的Braess悖论，从而可能增加网络拥塞。在本文中，我们提出，在混合自治网络，即，在人类驾驶和自动驾驶汽车共享道路的网络中，自动驾驶汽车的车头时距可以直接控制，以影响车辆的路线并减少拥堵。我们认为，自动驾驶汽车的行驶速度以及路段的容量不仅仅是一个固定的设计选择;相反，它可以作为一种{基础设施控制}策略来{动态}调节容量。想象一下，类似于调节路段上车辆最大速度的可变速度限制，控制策略调节自动驾驶汽车沿每个路段的车头时距。我们试图通过直接控制自动驾驶汽车的车头时距来影响车辆的路线选择，以防止类似Braess的意外结果并提高网络效率。我们对混合自主交通网络的动态进行建模，同时考虑车辆的路线选择动态。我们训练一个RL策略，学习调节自动驾驶汽车的车头时距，使网络中的总行驶时间最小化。我们将经验表明，我们的训练政策，不仅可以防止Braess一样的低效率，但也减少了总的旅行时间。
2023-03-07 cs.SY eess.SY
An I + PI Controller Structure for Integrating Processes with Dead-Time: Application to Depth Control of an Autonomous Underwater Vehicle
本文提出了一种具有I和PI控制器的前馈加反馈控制器结构，用于控制具有时滞的积分过程。提供了基于阻尼因子和固有频率的时域规范的控制器增益选择的指导方针，以及指示过程响应的选择性的模拟。通过对非线性自主水下航行器系统的深度控制进行仿真，证明了所提出的控制器结构的实用性。
2019-08-25 cs.SY eess.SY
Autonomous Parking of Vehicle Fleet in Tight Environments
本文研究了车辆自主停车问题。我们提出了一个系统级的建模和控制框架，它允许调查不同的车辆停车策略，同时考虑到路径规划和碰撞避免。所提出的方法将问题分解为集中式的停车位分配和路径生成，以及分散式的避碰控制。本文介绍了层次框架和算法的细节。广泛的模拟被用来评估几个分配策略的车队总停车时间和队列长度。特别是，我们描述了如何Braess的悖论可以观察到停车车队。
2020-03-02 cs.SY eess.SY
Hypercongestion, autonomous vehicle, and urban spatial structure
本文结合浴缸模型与土地利用模型，研究外围控制缓解超级拥堵及引入自动驾驶汽车对城市空间结构的影响，揭示超级拥堵是改变通勤成本与城市形态的关键因素。
2024-01-23 cs.SY eess.SY
Simulation Comparisons of Vehicle-based and Phase-based Traffic Control for Autonomous Vehicles at Isolated Intersections
随着自动驾驶技术的出现，交叉口的交通控制有望经历革命性的变化。现有文献中提出了各种新颖的交叉口控制方法，大致可以分为两大类：基于车辆的交通控制和基于相位的交通控制。基于相位的交通控制可以被视为当前交叉口信号控制的更新版本，并结合自主车辆功能的性能。与此同时，基于车辆的交通控制利用一些全新的方法，主要是以实时的方式，在交叉口组织交通，以安全和有效的车辆通行。然而，迄今为止，还没有对这两种控制类别进行系统的比较，以表明它们的优缺点。本文进行了一系列的数值模拟下，各种交通情况下，他们的性能进行公平的比较。具体来说，我们允许在基于相位的交通控制下对进入车辆进行轨迹调整，而对于基于车辆的交通控制，我们实施了两种策略，即，先到先服务策略和基于冲突点的滚动优化策略。总体而言，仿真结果表明，基于车辆的交通控制通常会引起一个可以忽略不计的延迟时，交通需求低，但导致过多的排队时间，交通量变得高。然而，基于车辆的交通控制的性能可以受益于冲突车辆对的减少。我们还发现，当自动驾驶技术不成熟时，基于相位的交通控制的优势更加明显。
2020-08-14 cs.SY eess.SY
Secure Platooning of Autonomous Vehicles Under Attacked GPS Data
本文研究了当未知车辆受到攻击且系统存在有界不确定性时，如何保证自主车辆的队列安全。对于被攻击的车辆，其GPS的位置和速度测量值可以被恶意攻击者任意操纵。首先，要找出哪辆车受到攻击，提出了两个检测器，通过使用相对测量（通过摄像机或雷达）和本地创新通过测量相邻车辆。然后，基于检测器的结果，我们设计了一个本地状态观测器的每辆车的应用饱和方法的测量新息。此外，基于观测器提供的邻居状态估计，提出了一种分布式控制器，以实现一致的车辆速度和保持固定的期望距离，相邻车辆之间。在一定条件下，观测器的估计误差和控制器的编队误差是渐近上界的。所提出的方法的有效性进行了评估，在数值模拟。
2020-03-29 cs.SY eess.SY
Autonomous Vehicle front steering control computation saving
Systems Eng. and Control Dept., Instituto de Automatica e Informatica Industrial, Universitat Politècnica de Valencia（巴伦西亚理工大学）
本文旨在通过交错实现技术节省自动驾驶车辆前轮转向控制器的计算量，以减轻智能车辆网络和数字处理器的负载，并在真实路径跟踪实验中验证了该方法的可行性。
2025-11-02 cs.SY eess.SY
Optimal Formation of Autonomous Vehicles in Mixed Traffic Flow
多个自动驾驶车辆的排队在学术界和工业界都引起了极大的关注。尽管具有巨大的潜力，但在自动驾驶汽车和人类驾驶汽车（HDV）共存的混合交通流中，排队并不是形成自动驾驶汽车的唯一选择。在本文中，我们研究了自动驾驶汽车的最佳编队，可以实现最佳的系统范围内的混合交通流的性能。具体来说，我们考虑整个交通流的最佳$\mathcal{H}_2$性能，反映了自动驾驶汽车在缓解交通扰动方面的潜力。然后，我们将最优编队问题表示为一个集函数最优化问题。数值结果显示，两个主要的最佳形式：均匀分布和队列形成，取决于交通参数。此外，我们表明：1）流行的队列编队并不总是最佳的选择; 2）当HDV具有较差的串稳定性行为时，队列编队可能是最差的选择。这些结果表明，在混合交通流中，除了排队之外，还有更多的机会形成自动驾驶汽车。
2020-04-01 cs.SY eess.SY math.OC
Smoothing Traffic Flow via Control of Autonomous Vehicles
University of Oxford（牛津大学）；Harvard University（哈佛大学）；Tsinghua University（清华大学）
本文从控制论角度研究自动驾驶车辆在环形道路中与人工驾驶车辆混合交通系统的可控性、稳定性及可达性，证明其可稳定交通流并提升速度，提出最优控制策略以抑制扰动，验证了自动驾驶车辆平滑交通流的潜力。
2020-05-10 cs.SY eess.SY math.OC
Proceedings First Workshop on Formal Verification of Autonomous Vehicles
International Conference on integrated Formal Methods（国际形式化方法会议）；EPTCS（电子程序技术报告）
本文集聚焦自动驾驶车辆的形式验证，汇集了形式验证领域研究人员及控制理论、机器人学等领域的专家，探讨验证技术在自动驾驶开发中的应用。
2017-09-07 cs.AI cs.SY eess.SY
A Unified Toll Lane Framework for Autonomous and High-Occupancy Vehicles in Interactive Mixed Autonomy
本文提出一种统一收费车道框架，通过引入“移动度”概念分析自动驾驶与高乘载车辆混合交通流的车道选择均衡，并提出减少总延迟的收费算法，为交通管理及自动驾驶融入提供见解。
2024-03-20 cs.GT cs.SY eess.SY
Interaction-Aware Trajectory Prediction and Planning for Autonomous Vehicles in Forced Merge Scenarios
University of Michigan（密歇根大学）；Ford Motor Company（福特汽车公司）
一般来说，合并对于人类驾驶员和自动驾驶车辆来说都是一项具有挑战性的任务，特别是在密集的交通中，因为合并车辆通常需要与其他车辆交互以识别或创建间隙并安全地合并。在本文中，我们考虑的问题，自主车辆控制强制合并的情况下。我们提出了一种新的博弈论控制器，称为领导者-追随者游戏控制器（LFGC），其中自主自我车辆和其他车辆与先验不确定的驾驶意图之间的相互作用被建模为部分可观察的领导者-追随者游戏。LFGC根据观测到的轨迹在线估计其他车辆的意图，然后预测它们的未来轨迹，并使用模型预测控制（MPC）规划自我车辆的自身轨迹，以同时实现概率上保证的安全和合并目标。为了验证LFGC的性能，我们在模拟和NGSIM数据中对其进行了测试，LFGC在合并中表现出97.5%的高成功率。
2021-12-14 cs.RO cs.SY eess.SY
Design, Field Evaluation, and Traffic Analysis of a Competitive Autonomous Driving Model in a Congested Environment
Korea Advanced Institute of Science and Technologies (KAIST)（韩国科学技术院）
最近，许多研究已经调查了使用车辆到一切（V2X）之间的通信的协作交通系统。不幸的是，当部署多个自动驾驶车辆同时暴露于通信故障时，各种自动驾驶车辆之间可能存在理想条件的冲突，从而导致道路上的对抗情况。在韩国，虚拟和现实城市自动多车比赛分别于2021年3月和11月举行。在比赛中，多辆车同时参与，这需要操纵，如超车低速车辆，通过十字路口，并遵守交通法规。在这项研究中，我们引入了一个完全自动驾驶的软件栈来部署一个有竞争力的驾驶模型，这使我们能够赢得城市自动驾驶多车比赛。我们评估基于模块的系统，如导航，感知和规划在现实和虚拟环境中。此外，在通过通信收集多个车辆位置数据之后执行交通分析，以获得对多智能体自动驾驶场景的额外洞察。最后，我们提出了一种分析交通的方法，以比较多辆自动驾驶汽车的空间分布。我们研究每个团队的驾驶日志数据之间的相似性分布，以确定竞争性自动驾驶对交通环境的影响。
2022-11-07 cs.RO cs.SY eess.SY
Numerical Energy Analysis of In-wheel Motor Driven Autonomous Electric Vehicles
Case Western Reserve University（凯斯西储大学）；Nantong University（南通大学）
自主电动汽车作为未来地面交通的发展方向受到广泛的研究，但基于传统动力传动系统的自主电动汽车限制了其能量和动力的传输效率，可能会阻碍其广泛的应用。在这里，我们报告了一项关于由轮内电机驱动的中型自主电动汽车的能耗和效率改善的研究，通过开发一个数值能量模型，用实际驾驶数据进行验证，并在案例研究中实施。通过平路、上坡、下坡3种行驶工况下的能量分析，考察了能量消耗情况，并对轮毂电机驱动动力总成系统的节能潜力进行了系统的探讨。在考虑再生制动能量回收的基础上，基于车辆动力学和自动驾驶模式，计算了特定行驶循环下的能耗和再生能量。使用西洛杉矶的基线电动汽车驾驶数据进行了案例研究。结果发现，在轮内电机驱动的自主电动汽车可以节省高达17.5%的能源相比，传统的电动汽车在斜坡行驶。利用某商用轮毂电机的效率图，研究得到的数值能量模型和验证结果符合实际情况，可用于支持未来更节能的自主电动汽车的可持续发展。
2021-04-10 cs.RO cs.SY eess.SY
Self-Driving like a Human driver instead of a Robocar: Personalized comfortable driving experience for autonomous vehicles
Seamless Transportation Lab (STL)（无缝交通实验室）；Yonsei University（延世大学）
为了给自动驾驶汽车用户提供个性化的舒适驾驶体验，提出了一种基于个人驾驶偏好的自动驾驶汽车集成控制系统。我们提出了一个乘客的偏好度量（OPM），这是定义一个首选的横向和纵向加速度区域的最大允许加加速度为用户。此外，我们提出了一个车辆控制器的控制参数的基础上，使集成的横向和纵向控制，通过自主车辆的偏好感知操纵。该系统不仅提供了乘员驾驶偏好的标准，还提供了个性化的自动驾驶风格，就像人类驾驶员而不是Robocar一样。仿真和实验结果表明，该系统可以像人类驾驶员一样操纵自动驾驶汽车，通过跟踪指定的标准，允许的加速度和加加速度。
2022-11-18 cs.RO cs.SY eess.SY
Priority-based coordination of autonomous and legacy vehicles at intersection
本文提出一种基于优先级的协调方法，支持传统车辆安全通过交叉口，同时保持无碰撞和死锁特性。
2014-09-26 cs.RO cs.SY eess.SY
Towards Assume-Guarantee Profiles for Autonomous Vehicles
目前，自动驾驶汽车的规则或规范是根据具体情况制定的，并以相当特殊的方式组合在一起。作为消除这种做法的一步，我们提出了一个系统化的程序，用于为自动驾驶汽车生成一组监督规范，这些规范1）与分布式假设保证结构相关联，2）以一致性和完整性概念为特征。除了帮助自动驾驶汽车在道路上做出更好的决策外，假设担保合同结构还有助于解决不良事件发生时的责任概念。我们给出了几个博弈论的例子来证明我们的框架的适用性。
2019-09-12 cs.LO 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 Model Predictive Control for Autonomous Vehicles/Self Driving Cars
本文提出一种用于自主车辆前轮控制的鲁棒模型预测控制方法，通过权重调整和在线线性化技术提升控制鲁棒性，并讨论各方法在精度和计算负载上的有效性。
2018-05-22 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
A Companion App for an Autonomous Family Vehicle: Identification of Values for an Autonomous Mobility System
Braunschweig, Germany（德国布伦瑞克）
本文提出一款面向需要陪同人员的用户群体的自主车辆伴侣应用，支持可信人员跟踪行程和远程设置车辆，并识别影响乘客和可信人员的价值观。
2026-06-09 cs.CY cs.SY eess.SY
Towards Deductive Verification of Control Algorithms for Autonomous Marine Vehicles
针对自主海洋航行器混合系统特性导致控制算法形式化安全验证困难的问题，提出结合GNU/Octave数值计算与Isabelle证明助手的验证方法，可验证多模式切换控制器的微分不变量。
2020-06-16 cs.SE cs.SY eess.SY
Two-Dimensional Cruise Control of Autonomous Vehicles on Lane-Free Roads
在本文中，我们设计了分散控制策略的二维运动的自动驾驶汽车在无车道的道路。自行车运动学模型用于对车辆的动力学进行建模，并且每个车辆仅基于其自身的速度以及与其他（相邻）车辆的距离和道路的边界来确定其控制输入。采用势函数和Barbalat引理证明了所提出的控制器确保的以下性质：（i）车辆不会相互碰撞或与道路边界碰撞;（ii）所有车辆的速度始终为正，即，在任何时候都没有车辆向后移动;（iii）所有车辆的速度保持低于给定的速度限制;（iv）所有车辆的速度收敛到给定的纵向速度设定点;以及（v）所有车辆的加速度、横向速度和方向趋于零。所提出的2-D巡航控制器的效率通过数值例子说明。
2021-03-22 cs.SY eess.SY math.OC
Analysis of a Markovian Queuing Model for Autonomous Signal-Free Intersection
我们考虑一种新的，解析排队模型的车辆协调在无信号交叉口。车辆到达交叉口服从泊松过程，交叉口的通过时间是依赖于车辆类型的常数。我们使用这个模型定量相关的关键操作参数（车辆速度/加速度，车辆间车头时距）的关键性能指标（吞吐量和延迟）下的先到先得的规则。我们使用的Foster-Lyapunov漂移条件，以获得稳定性的标准和上界的平均时间延迟。基于这些结果，我们比较了无信号交叉口与传统车辆以及联网和自动驾驶车辆的效率。我们还验证了我们的结果在城市交通模拟（SUMO）。
2020-09-27 cs.SY eess.SY math.OC
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
Soft Constrained Autonomous Vehicle Navigation using Gaussian Processes and Instance Segmentation
Federal University of Lavras（拉夫拉斯联邦大学）；University of Waterloo（滑铁卢大学）；University of Alberta（阿尔伯塔大学）
本文提出了一种通用的基于特征的自主车辆导航框架，使用软约束粒子滤波器。选定的地图功能，如道路和地标位置，以及车辆状态用于设计软约束。在从单目相机获取的基于实例的分割图像中获得映射地标的特征之后，使用高斯过程回归（GPR）模型以混合专家模型的方法预测车辆到地标的距离。GPR模型的均值和方差输出用于实现自适应约束。实验结果证实，使用图像分割功能，提高了车辆到地标的距离预测显着，和建议的软约束方法可靠地定位车辆，即使减少了地标和噪声观测的数量。
2021-01-18 cs.RO cs.SY eess.SY
Control Strategies for Autonomous Vehicles
SRM Institute of Science and Technology（SRM科学技术学院）；Autonomous Systems Laboratory（自主系统实验室）
本章从控制视角系统综述自动驾驶车辆的控制策略，涵盖数学建模、纵横向控制及机器学习方法，并总结团队研究成果。
2021-09-10 cs.RO cs.SY eess.SY
ConvoyNext: A Scalable Testbed Platform for Cooperative Autonomous Vehicle Systems
Department of Electrical and Computer Engineering University of Central Florida（电气与计算机工程系 佛罗里达中央大学）
本文提出ConvoyNext，一个可扩展、模块化的真实世界测试平台，用于评估协作式自动驾驶编队行为，并通过复杂轨迹和通信丢包实验验证其鲁棒性和有效性。
2025-05-22 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
DP and QP Based Decision-making and Planning for Autonomous Vehicle
本文提出一种结合动态规划（DP）全局路径规划与二次规划（QP）局部轨迹优化的自动驾驶决策规划框架，利用S-T图实现动静态障碍物避让，仿真验证了其在复杂环境中的有效性与鲁棒性。
2024-11-11 cs.RO cs.SY eess.SY
Evaluation and Optimization of Adaptive Cruise Control in Autonomous Vehicles using the CARLA Simulator: A Study on Performance under Wet and Dry Weather Conditions
Al-Ahliyya Amman University（安曼阿赫利亚大学）；University of Jordan（约旦大学）
本文在CARLA模拟器中利用深度相机和雷达传感器结合PID控制实现自适应巡航控制，研究干湿天气下的性能，结果表明雨天会降低车速、延长行驶时间，并能有效防止追尾碰撞。
2024-05-02 cs.RO cs.SY eess.SY
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
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
Communication-Constrained Routing and Traffic Control for Autonomous Vehicles
自动驾驶汽车（Autonomous Vehicles，AV）是一种先进的技术，可以带来便利，提高道路网络的吞吐量，减少交通事故。为了实现更高水平的自动化（LoA），需要将大量的传感数据上传到网络进行处理，然后必须将机动决策返回给AV。此外，乘客可能对各种数据饥饿和延迟敏感的应用有更高的传输速率需求。
2019-09-26 cs.NI cs.SY eess.SP
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
Robust Safety for Autonomous Vehicles through Reconfigurable Networking
National Institute of Standards and Technology（美国国家标准与技术研究院）
本文通过软件定义网络技术提升自动驾驶车辆的网络鲁棒性，在非故障条件下无额外开销，故障时能及时传递信息，验证了其优越性。
2018-04-12 cs.NI cs.PF cs.SY
SCAV'18: Report of the 2nd International Workshop on Safe Control of Autonomous Vehicles
University of York, UK（英国约克大学）；Technical University of Munich, Germany（德国慕尼黑技术大学）；University of Liverpool, UK（英国利兹大学）
本文总结了第二届SCAV研讨会的讨论、开放问题、关键信息和结论，探讨了自主车辆安全控制的核心挑战与未来方向。
2018-11-05 cs.RO cs.SE cs.SY
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
The CAT Vehicle Testbed: A Simulator with Hardware in the Loop for Autonomous Vehicle Applications
Department of Electrical and Computer Engineering（电气与计算机工程系）；University of Arizona（亚利桑那大学）；Tucson, USA（美国图森市）
本文提出CAT车辆测试平台，通过闭环硬件模拟验证仿真结果，支持自动驾驶技术研究。平台基于ROS和物理车辆模型，支持多车交互和实时数据回放，可快速验证算法性能。
2018-04-12 cs.RO cs.SE cs.SY
Spatial-Temporal Anomaly Detection for Sensor Attacks in Autonomous Vehicles
Oxford e-Research Center, University of Oxford（牛津大学牛津电子研究中心）
超声波、激光雷达和雷达等飞行时间（ToF）距离测量设备广泛应用于自动驾驶汽车，用于环境感知、导航和辅助制动控制。尽管它们在做出更安全的驾驶决策方面相对重要，但这些设备容易受到多种攻击类型的攻击，包括欺骗，触发和错误数据注入。当这些攻击成功时，它们可能会危及自动驾驶汽车的安全，从而对驾驶员、附近车辆和行人造成严重后果。为了处理这些攻击和保护测量设备，我们提出了一个时空异常检测模型\textit{STAnDS}，它结合了一个残差空间检测器，基于时间的预期变化检测。使用模拟定量环境对该方法进行了评估，结果表明\textit{STAnDS}在检测多种攻击类型方面是有效的。
2022-12-15 cs.CR cs.LG cs.SY
Model-Reference Reinforcement Learning for Collision-Free Tracking Control of Autonomous Surface Vehicles
Delft University of Technology（代尔夫特理工大学）
提出了一种新的模型参考强化学习算法，用于不确定自主水面车辆的智能避碰跟踪控制。该控制算法结合了传统的控制方法与强化学习，以提高控制精度和智能。在所提出的控制设计中，标称系统被认为是使用传统的控制方法的基线跟踪控制器的设计。标称系统还定义了在无障碍环境中的不确定自主表面车辆的期望行为。得益于强化学习，整体跟踪控制器能够补偿模型不确定性，并在有障碍物的环境中同时实现碰撞避免。与传统的深度强化学习方法相比，我们提出的基于学习的控制可以提供稳定性保证和更好的样本效率。我们展示了新算法的性能，使用自主表面车辆的例子。
2020-08-17 cs.LG cs.RO cs.SY
Capture Uncertainties in Deep Neural Networks for Safe Operation of Autonomous Driving Vehicles
基于深度神经网络（DNN）的感知和车辆运动的不确定性对安全自动驾驶车辆的开发提出了挑战。在本文中，我们提出了一个安全的运动规划框架，其特点是量化和传播基于DNN的感知不确定性和运动不确定性。这项工作的贡献有两个方面：（1）贝叶斯深度神经网络模型，它检测3D对象并定量捕获DNN的相关随机和认知不确定性;（2）不确定性感知运动规划算法（PU-RRT），它考虑了目标检测和自我车辆运动中的不确定性。通过在内置的CARLA中模拟复杂场景验证了所提出的方法。实验结果表明，所提出的运动规划方案能够有效应对基于DNN的感知和车辆运动的不确定性，提高自主车辆的运行安全性，同时仍能获得理想的效率。
2021-08-11 cs.AI cs.RO cs.SY
A Framework for Analysing Driver Interactions with Semi-Autonomous Vehicles
Digital Security and Forensics (SaFe) Research Group（数字安全与取证研究组）；Department of Computing, Faculty of Engineering and Computing（工程与计算学院计算机系）；Coventry University（考文垂大学）；Centre for Software Assurance（软件保证中心）；Bond University（邦德大学）
提出一个结合人类行为经验模型与环境系统模型的框架，通过模型检验分析驾驶员与半自主车辆交互的安全性，并以驾驶员疲劳为例验证其适用性。
2013-01-01 cs.HC cs.RO cs.SY
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
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
