Connected Cruise and Traffic Control for Pairs of Connected Automated Vehicles
University of Michigan（密歇根大学）；California Institute of Technology（加州理工学院）
针对含互联自动驾驶车与人类驾驶车的混合交通，提出配对互联自动驾驶车的协同控制策略，可稳定中间车流，中等渗透率下即可显著提升交通串稳定性。
2023-06-12 cs.RO cs.SY eess.SY
Accelerated Evaluation of Automated Vehicles Using Piecewise Mixture Models
University of Michigan（密歇根大学）
本文提出利用分段混合分布模型改进自动驾驶车辆评估方法，提升效率和准确性，实现评估过程加速四到五个数量级。
2017-01-31 cs.RO cs.SY eess.SY
Evaluation of Automated Vehicles Encountering Pedestrians at Unsignalized Crossings
University of Michigan（密歇根大学）
本文提出了一种评估自动驾驶车辆在无信号交叉口与行人互动安全性和可行性的新方法，通过分析数据和模拟行人反应，验证了自动驾驶策略的有效性。
2017-03-28 cs.MA cs.RO cs.SY
Automated Driving Architecture and Operation of a Light Commercial Vehicle
İstanbul Okan University（伊斯坦布尔奥坎大学）；Yıldız Technical University（耶尔德兹技术大学）；TÜBİTAK BİLGEM Cyber Security Institute（土耳其科学技术研究理事会信息科学与安全研究所）；TOFAŞ Research and Development Center（托法什研发中心）；The Ohio State University（俄亥俄州立大学）
本文提出一种轻型商用车自动驾驶架构，通过线控改造、多传感器融合定位与环境感知、实时计算平台及CACC纵向控制和GPS路径跟踪，实现并验证了车辆的自动驾驶运行。
2023-05-24 cs.RO cs.SY eess.SY
Developing Robot Driver Etiquette Based on Naturalistic Human Driving Behavior
本文研究机器人驾驶礼仪问题，通过分析自然驾驶数据库提取人类驾驶行为关键参数，为未来高自动化车辆算法设计和仿真中的人类驾驶行为建模提供指导。
2018-08-01 cs.RO cs.SY eess.SY
An Efficient Risk-aware Branch MPC for Automated Driving that is Robust to Uncertain Vehicle Behaviors
Delft University of Technology（代尔夫特理工大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）
针对自动驾驶中因其他车辆行为预测不准导致轨迹不安全的问题，提出一种风险感知运动规划框架，将其表述为min-max优化问题并通过引入正则化项开发高效迭代方法，数值研究验证了其收敛性及优于现有方法的性能。
2024-03-27 cs.RO cs.SY eess.SY
Mcity Data Collection for Automated Vehicles Study
University of Michigan（密歇根大学）
本文的主要目标是介绍Mcity针对自动驾驶汽车开发的数据汇集工作。我们从一组感知传感器（激光雷达、雷达、摄像头）以及车辆转向/制动/油门输入和RTK单元捕获了一组全面的数据。两个车内摄像头记录人类驾驶员的行为，以备将来使用。在选定的开放道路上的自然驾驶记录在不同的时间和天气条件。我们还在Mcity测试设施内进行了精心设计的数据汇集，重点是车辆与车辆以及车辆与易受伤害的道路用户交互，这在现有的开源数据集中是非常独特的。本文显示了车辆平台、数据内容、标记/标签和选定的分析结果。
2019-12-12 cs.CV cs.RO cs.SY
One Stack, Diverse Vehicles: Checking Safe Portability of Automated Driving Software
University of the Bundeswehr Munich（联邦国防军慕尼黑大学）；BMW Group（宝马集团）
本文针对自动驾驶软件在不同硬件配置车辆上的安全集成与更新问题，提出一种形式化可移植性检查方法，通过推导目标配置模型并获取安全集，在几分钟内自动验证传统与神经网络自适应巡航控制器的安全行为，为快速软件集成与参数适配提供反馈。
2025-01-30 cs.RO cs.SY eess.SY
Virtual Rings on Highways: Traffic Control by Connected Automated Vehicles
California Institute of Technology（加州理工学院）；Ford Research and Innovation Center（福特研究与创新中心）；University of Michigan（密歇根大学）
这项工作介绍了连接的自动驾驶汽车的交通控制。讨论了车辆控制对车辆交通的影响以及交通控制策略，并进行了比较。值得强调的是，车辆到一切的连接允许连接的自动驾驶车辆访问其背后的交通状态，以便可以利用反馈来减轻不断变化的干扰。数值模拟表明，这种基于连通性的交通控制有利于公路交通的平稳性和能源效率。交通流的动力学和稳定性，在所提出的控制器，进行了详细的分析，构建稳定性图，指导稳定控制增益的选择。
2022-04-24 cs.RO cs.SY eess.SY
A Vehicle-in-the-Loop Simulator with AI-Powered Digital Twins for Testing Automated Driving Controllers
Department of Electrical Engineering, Eindhoven University of Technology（电子工程系，埃因霍温理工大学）；Siemens Digital Industries Software（西门子数字工业软件）；Department of Mechanical Engineering, Eindhoven University of Technology（机械工程系，埃因霍温理工大学）
本文提出一种结合缩比实体车辆与AI驱动数字孪生体的车辆在环仿真器，以低成本、高保真且易扩展的方式验证自动驾驶控制器，并通过带形式化安全保证的滤波控制基准和实验证明了其有效性。
2025-07-03 cs.RO cs.SY eess.SY
On the Application of ISO 26262 in Control Design for Automated Vehicles
Institute for Electrical Engineering in Medicine, University of Luebeck（医学电气工程研究所，吕贝克大学）
本文探讨了ISO 26262标准在自动驾驶车辆控制设计中的应用，分析了其在高自动化车辆中的适用性与争议，并总结了该标准的安全设计步骤。
2018-04-12 cs.RO cs.SE cs.SY
Learning to falsify automated driving vehicles with prior knowledge
BMW Group（宝马集团）；University of Padova（帕多瓦大学）
虽然自动驾驶技术已经取得了巨大的进步，但安全的自动驾驶和自动驾驶车辆的可扩展和严格的测试和验证仍然具有挑战性。本文提出了一种基于学习的证伪框架，用于测试模拟中自动化或自驱动功能的实现。我们假设函数规范与可能场景上的违规度量相关联。先验知识被纳入到限制的情况下的参数方差和基于模型的证伪指导和改善学习过程。对于示例性自适应巡航控制器，与通过纯粹基于学习或纯粹基于模型的伪造方法获得的场景相比，所提出的框架产生具有更高奖励的非平凡伪造场景。
2021-01-25 cs.AI cs.RO cs.SY
karl. -- A Research Vehicle for Automated and Connected Driving
Institute for Automotive Engineering (ika), RWTH Aachen University（汽车工程研究所（ika），亚琛工业大学）
研究自动驾驶和车联网技术，介绍卡尔这一研究平台。通过分享其设计思路等，助于弥补机构独立研究受限的差距，为自动驾驶和车联网的研究、工程及验证提供灵活强大平台。
2026-07-07 cs.AR cs.RO cs.SY
A Hierarchical Approach to Optimal Flow-Based Routing and Coordination of Connected and Automated Vehicles
University of Delaware（特拉华大学）；Cornell University（康奈尔大学）
针对宏观最优车流实际难以实现的问题，提出一种面向网联自动驾驶车辆（CAVs）的分层路由恢复与生态驾驶策略，通过启发式算法分配路线并协调交叉口通行，有效降低城市总行程时间与能耗。
2023-09-07 cs.RO cs.SY eess.SY
Bayesian Methods in Automated Vehicle's Car-following Uncertainties: Enabling Strategic Decision Making
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
本文提出了一种方法来估计不确定性的自动车辆（AV）动态实时通过贝叶斯推理。基于估计的不确定性，该方法的目的是不断监测车辆跟随（CF）性能的AV，以支持战略行动，以保持所需的性能。我们的方法包括三个连续的组成部分：（i）随机梯度Langevin动力学（SGLD）采用估计参数的不确定性相对于车辆动态实时，（ii）动态监测的车辆跟驰稳定性（本地和字符串明智），和（iii）的战略行动，控制调整，如果检测到异常。所提出的方法提供了手段，以衡量AV汽车跟随性能的实时和保持所需的性能对实时的不确定性，在车辆控制算法中未考虑。
2022-10-25 cs.LG cs.RO cs.SY
Implicit Cooperation: Emotion Detection for Validation and Adaptation of Automated Vehicles' Driving Behavior
University of Applied Science Ruhr West（鲁尔西部应用科学大学）；University of Duisburg-Essen（杜伊斯堡-埃森大学）
自动驾驶汽车中的人类情感检测有助于提高舒适性和安全性。汽车领域的研究主要集中在感知驾驶员的困倦和攻击性上。我们提出了一种新形式的隐式驾驶员-车辆合作，其中情感检测集成到自动驾驶汽车的决策过程。不断评估驾驶员对车辆行为的反应，使我们能够修改决策，并有助于提高未来自动驾驶车辆的安全性。
2020-03-29 cs.HC cs.RO
Learning Driver Models for Automated Vehicles via Knowledge Sharing and Personalization
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
本文提出一种基于联邦学习的自动驾驶车辆驾驶员模型训练框架，通过车辆间知识共享与个性化，解决驾驶场景暴露不足问题，提升模型安全性与效率。
2023-08-31 cs.AI cs.RO cs.SY
Co-simulation Platform for Developing InfoRich Energy-Efficient Connected and Automated Vehicles
Carnegie Mellon University（卡内基梅隆大学）；General Motors Company（通用汽车公司）
随着传感、计算和通信技术的进步，互联和自动驾驶车辆（CAV）变得可行。CAV的出现为提高单个车辆的能源效率提供了新的机会。然而，由于安全考虑和可重复性，测试和验证节能自动驾驶系统是困难的。在本文中，我们提出了一个联合仿真平台，以开发和测试新的车辆生态自动驾驶技术，名为InfoRich，它结合了来自车载传感器，V2X通信和地图数据库的信息。协同仿真平台包括生态自动驾驶软件、车辆动力学和动力系统（VD&PT）模型以及交通环境模拟器。此外，我们利用合成驱动周期来自现实世界的驾驶数据来测试现实驾驶场景下的策略。为了从真实世界的驾驶数据中构建道路网络，我们开发了一个名为AutoPASCAL的地图/场景自动解析器和计算器。总体而言，仿真平台提供了一个真实的车辆模型，动力系统模型，传感器模型，交通模型和道路网络模型，以评估生态自动驾驶的能源效率。
2020-04-16 cs.RO cs.SE cs.SY
Modern Middlewares for Automated Vehicles: A Tutorial
Chair of Embedded Software, RWTH Aachen University（嵌入式软件研究所，亚琛RWTH大学）；Department of Aerospace Engineering, University of the Bundeswehr Munich（航空航天工程系，联邦国防军 Munich大学）
本文介绍了自动驾驶车辆中五种先进的中间件，探讨了它们的应用和挑战。
2026-01-12 cs.DC cs.RO cs.SE
Evaluation of Teleoperation Concepts to solve Automated Vehicle Disengagements
Technical University of Munich (TUM)（慕尼黑工业大学）；Institute of Automotive Technology（汽车技术研究所）
本文通过文献综述和专家研讨会评估多种远程操作概念，推导出一组能安全高效应对广泛自动驾驶车辆脱离场景的远程操作概念。
2024-04-23 cs.RO
Are Automated Vehicles Safer than Manually Driven Cars?
University of Michigan（密歇根大学）
自动驾驶汽车真的比手动驾驶汽车更安全吗？如果是这样，我们怎么知道？这个问题的提出引发了一场激烈的辩论。不幸的是，在可预见的未来，有几个问题很难回答这个问题。首先，我们如何衡量安全性？第二，我们如何跟踪自动驾驶汽车（AV）的安全性？最后，我们如何确定什么是或什么不是AV？在这些问题得到解决之前，仍然很难确定自动驾驶汽车是否或何时真的比手动驾驶汽车更安全。
2019-05-16 cs.CY cs.HC cs.RO
SAILing CAVs: Speed-Adaptive Infrastructure-Linked Connected and Automated Vehicles
Institute for Software Integrated Systems, Vanderbilt University（范德堡大学软件集成系统研究所）
本文提出并实路部署一种通过LTE接收基础设施可变限速并自适应调速的轻度改装CAV，开源软硬件平台在I-24早高峰验证可使车速波动较人工驾驶降低达25%。
2023-10-10 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
Paving the Roadway for Safety of Automated Vehicles: An Empirical Study on Testing Challenges
Chalmers University of Technology（查尔姆斯理工大学）；University of Gothenburg（哥德堡大学）；RISE Research Institutes of Sweden（瑞典国家研究院）
自动驾驶汽车领域的技术正在加速发展，并有望带来许多优势。然而，随着最近有条件自动驾驶的引入，我们也看到了事故。两种测试协议，条件自动化（例如，高速公路上）和自动化车辆还不存在，这给研究人员和从业人员带来了不同的挑战。例如，目前的测试程序不足以满足全自动驾驶汽车的要求，全自动驾驶汽车应该完全负责驾驶任务，没有司机作为后备。本文通过对来自五个国家的26名具有汽车安全相关测试背景的参与者进行焦点小组和访谈，介绍了当前自动驾驶汽车功能和安全性测试面临的挑战。我们概述了测试主动安全功能的实践现状以及未来需要解决的挑战，以确保自动驾驶汽车的安全性。通过访谈和焦点小组确定的主要挑战，通过有关该主题的文献丰富，与1）虚拟测试和模拟，2）安全性，可靠性和质量，3）传感器和传感器模型，4）所需的场景复杂性和测试用例数量，以及5）驾驶员和车辆之间的责任移交有关。
2017-05-09 cs.AI 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
Survey on Teleoperation Concepts for Automated Vehicles
Technical University of Munich（慕尼黑工业大学）
随着自动驾驶（AD）功能的发展，近年来远程操作越来越受欢迎。通过实现自动化车辆的远程操作，远程操作可以被建立为针对操作设计域限制和AD功能的边缘情况的可靠的后备解决方案。多年来，各种不同的遥操作概念，人类操作员如何可以远程支持或替代AD功能已在文献中提出。本文介绍了一个文献调查的结果遥操作概念的道路车辆。此外，由于行业内的兴趣越来越大，对专利和整个公司在遥操作领域的活动的见解。
2022-08-18 cs.RO
A simulation platform calibration method for automated vehicle evaluation: accurate on both vehicle level and traffic flow level
Tongji University（同济大学）；Shanghai Maritime University（上海海事大学）
本研究提出了一种自动化仿真平台校准方法，通过提升车辆与交通流层面的交互精度和校准效率，实现自动驾驶车辆评估的高准确性。
2025-12-18 cs.RO
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
Trajectory Planning for Connected and Automated Vehicles: Cruising, Lane Changing, and Platooning
自动化和连通性被认为是最有前途的技术之一，可以提高运输系统的安全性、移动性、燃料和时间消耗。联网和自动驾驶车辆（CAV）的一些燃油效率优势可以通过队列行驶来实现。一个排是一列虚拟的CAV训练，它们跟随排长一起行进，彼此之间有很小的间隙。车辆还可以通过改变车道来减少行驶时间。在本文中，我们设计了一个最优控制为基础的轨迹规划模型，可以提供安全和有效的轨迹为主题的车辆，并可以包括排队和换道。我们将此轨迹规划模型嵌入到仿真框架中，以量化其效率优势，因为它与动态交通流中的燃料消耗和行驶时间有关。此外，我们进行了大量的数值实验，以调查是否，以及在何种情况下，在上游的主体车辆的车辆也可能会遇到二手燃料效率的好处。
2020-01-23 cs.RO
Automated Vehicle Platform with Connected Driving Capabilities
Institute of Electronics and Computer Science (EDI)（电子与计算机科学研究所（EDI））
本文提出一个基于 Kia Soul EV、OSCC 线控模块和 ROS/ROS 2 的模块化自动驾驶平台，实现车辆在车载传感器探测前无线感知外部事件，并通过同步驾驶测试验证其有效性。
2023-08-04 cs.RO
Real-time SIL Emulation Architecture for Cooperative Automated Vehicles
University of Central Florida（中佛罗里达大学）
互联自动驾驶汽车安全应用的开发需要在许多不同的场景下进行测试。然而，重建的测试场景评估安全应用是一个非常具有挑战性的任务。这主要是由于通信的随机性，精确再现车辆运动的困难以及某些场景的安全问题。我们建议开发一个独立的远程车辆仿真器，可以从模拟或以前的测试中再现远程车辆的V2V消息。预计这将大大加快开发周期。远程车辆仿真器是一种独特且易于配置的仿真和仿真设置，可真实、安全地对联网车辆应用进行软件在环（SIL）测试。它将有助于定制众多的测试场景，加快算法开发和验证，并增加发现故障模式的概率。这反过来将有助于提高安全应用的质量，同时节省测试时间并降低成本。
2021-11-20 cs.NI cs.RO cs.SE
Enabling Communication Technologies for Automated Unmanned Vehicles in Industry 4.0
Technische Universität Kaiserslautern（凯泽斯劳滕工业大学）；German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）
在工业4.0的背景下，移动机器人系统（如自动导引车（AGV）和无人机（UAV））是挑战当前通信和定位技术的主要领域之一。由于对延迟和可靠性的严格要求，一些现有的解决方案无法满足工业自动化应用所需的性能。此外，无人驾驶车辆（UV）的类型和应用的差异要求更灵活的通信技术，以满足其特定的要求。在本文中，我们在工业4.0的背景下提出了几个UV用例，并考虑了它们各自的要求。我们还确定了支持工业4.0场景中设想的UV部署的无线技术。
2018-11-29 cs.RO
A Cost-Effective and Climate-Resilient Air Pressure System for Rain Effect Reduction on Automated Vehicle Cameras
Department Intelligent Transport Systems, Johannes Kepler University Linz（智能交通系统部门，约翰内斯·开普勒大学林茨）
本文提出了一种低成本硬件解决方案，以减少雨天对自动化车辆摄像头的影响，同时支持可持续交通系统目标，提升系统可靠性并减少资源消耗。
2026-05-07 cs.RO
Hardware-In-the-Loop for Connected Automated Vehicles Testing in Real Traffic
University of California, Berkeley（加州大学伯克利分校）；Hyundai Motor Group（现代汽车集团）
我们提出了一个硬件在环（HIL）仿真设置，用于在动态的真实场景中对互联自动驾驶汽车（CAV）进行可重复测试。我们的目标是测试控制和规划算法及其在车辆硬件上的分布式实现，并可能在云中。HIL设置结合了用于感知传感器、道路地形和信号交叉口的PreScan;用于交通微观仿真的Vissim;用于车辆和动力系统动力学的ETAS DESK-LABCAR/测功机;以及用于CAV实时的控制的车载电子控制单元。交通和信号交叉口的模型由真实世界的测量驱动。为了演示这种HIL仿真设置，我们测试了一种模型预测控制方法，以最大限度地提高城市环境中CAV的能源效率。
2019-07-21 cs.RO math.OC
Evaluating Interactions between Automated Vehicles and Cyclists using a coupled In-the-Loop Test Environment
Technische Universität Berlin（柏林工业大学）
针对自动驾驶系统与骑行者交互测试缺乏真实感的问题，提出融合骑行者在环与车辆在环的耦合测试环境，经接驳巴士多工况验证，证明了该方法用于真实感自动驾驶评估的可行性。
2025-07-29 cs.HC cs.RO
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
A Systematic Survey of Control Techniques and Applications in Connected and Automated Vehicles
Tongji University（同济大学）；Jilin University（吉林大学）；Huazhong University of Science and Technology（华中科技大学）；University of California, Los Angeles（加州大学洛杉矶分校）；Shanghai Jiao Tong University（上海交通大学）；Zhejiang University（浙江大学）；Tsinghua University（清华大学）；University of Waterloo（滑铁卢大学）
本文系统综述了自动驾驶汽车和网联自动驾驶汽车的控制技术，涵盖从单车状态估计与轨迹跟踪到多车协同控制的演进，并总结了代表性方法、应用及未来研究方向。
2023-04-11 cs.RO
SEG-JPEG: Simple Visual Semantic Communications for Remote Operation of Automated Vehicles over Unreliable Wireless Networks
Autonomous Driving and Intelligent Transport Group（自动驾驶与智能交通组）；Oxford Brookes University（奥克斯福德布鲁克斯大学）；Oxfordshire County Council（奥克斯福德郡县议会）；Department for Transport（交通部）；School of Engineering, Computing & Mathematics（工程、计算与数学学院）；Artificial Intelligence, Data Analysis and Systems Institute（人工智能、数据分析与系统研究所）
提出SEG-JPEG方法，通过将检测到的道路用户分割编码为低分辨率灰度图像中的彩色高亮，在保持视觉清晰度的同时将所需数据速率降低50%，实现网络数据速率低于500 kbit/s时中位玻璃到玻璃延迟低于200 ms，从而在受限的4G/5G公共网络上实现远程操作自动驾驶车辆的大规模部署。
2026-05-22 cs.RO
Courteous Behavior of Automated Vehicles at Unsignalized Intersections via Reinforcement Learning
University of Freiburg（弗莱堡大学）
从今天的主要是人类驾驶的交通到纯粹的自动化交通的转变将是一个渐进的演变，其影响是，我们可能会在不久的将来经历混合交通。互联和自动驾驶汽车可以以不同的方式使人类驾驶的汽车和整个交通系统受益，例如通过改善碰撞避免和减少交通波。已经进行了许多研究来改善交叉口管理，这是交通中的一个重要瓶颈，使用智能交通信号或完全自动化的车辆。然而，如何改善无信号交叉口的混合交通问题却较少受到关注。在本文中，我们提出了一种新的方法来优化混合交通情况下的交叉口交通流，使用深度强化学习。我们的强化学习代理为集中控制器学习一种策略，让连接的自动驾驶车辆在无信号交叉口放弃他们的通行权，让位给其他车辆，以优化交通流量。我们实现了我们的方法，并测试了它在交通模拟器SUMO的基础上模拟和真实的交通数据。实验评估表明，我们的方法显着提高了交通流量通过无信号交叉口在混合交通设置，也提供了更好的性能在广泛的交通情况相比，国家的最先进的交通信号控制器相应的信号交叉口。
2021-06-11 cs.LG cs.RO
Ontology based Scene Creation for the Development of Automated Vehicles
Technische Universität Braunschweig（布伦瑞克工业大学）；Institute of Control Engineering（控制工程研究所）
引入无人驾驶汽车需要功能系统描述，包括功能系统边界和全面的安全分析。这些技术开发的投入可以通过基于数据库的方法来识别和分析。此外，为了建立一个经济的测试和发布过程，必须确定大量的场景以获得有意义的测试结果。专家们在确定难以处理或不太可能发生的情况方面做得很好。然而，专家们不可能根据他们掌握的知识确定所有可能的情况。为计算机辅助处理建模的专家知识可以有助于提供广泛的场景。这方面的贡献回顾本体知识为基础的系统在自动驾驶汽车领域，并提出了一个生成的交通场景的自然语言作为基础的情况下创建。
2018-04-23 cs.AI cs.RO
Graph-based Motion Planning for Automated Vehicles using Multi-model Branching and Admissible Heuristics
Ulm University（乌尔姆大学）
城市场景中的自动驾驶需要能够实时处理复杂情况的高效规划算法。一种流行的方法是使用基于图的规划方法，以获得一个粗略的轨迹，随后进行优化。一个关键的方面是生成轨迹，在图形搜索过程中实现舒适和安全的行为，同时保持低计算时间。为了抓住这一方面，一方面，在这项工作中提出了一个分支策略，导致更好的性能方面的质量产生的轨迹和运行时间。另一方面，可容许的启发式示出了有效地引导图搜索，其中的解决方案仍然是最优的。
2021-02-15 cs.RO
Performance Boundary Identification for the Evaluation of Automated Vehicles using Gaussian Process Classification
Coventry University（考文垂大学）；HORIBA MIRA（堀场米拉）
安全是促进自动化车辆部署的一个重要方面。目前的测试实践是不够的，超越这些实践会导致不可行的测试要求，例如需要在公共道路上行驶数十亿公里。自动驾驶汽车面临着无数的场景。应对最具挑战性的情况进行测试，这就引出了如何确定此类极端情况的问题。我们提出了一种方法来确定性能边界，这些角落的情况下，使用高斯过程分类。我们还展示了一个典型的交通堵塞的方法的情况下，表明它是可行的，并会导致更有效的测试实践的分类。
2019-07-11 cs.LG cs.RO stat.AP
Collaborative model based design of automated and robotic agricultural vehicles in the Crescendo Tool
Aarhus University（奥胡斯大学）；Aalborg University（奥尔堡大学）；Conpleks Innovation；University of Southern Denmark（南丹麦大学）
本文介绍了一种自动化和机器人农业车辆设计的协作建模方法。Cresendo技术允许来自不同学科的工程师协作并生成系统模型。组合的模型被称为协同模型和它们的执行协同仿真。为了支持未来的开发工作，提供了不同车辆和控制器类型的模板库。本文描述了一种从初始问题定义到实际系统部署的协同模型开发方法。我们用一个农业领域的开发案例来说明开发方法。这种情况涉及到一个遇到的速度控制器的问题，在差分驱动的车辆，我们通过不同的候选解决方案，并最终与经典控制和学习前馈相结合的基础上的自适应控制器的解决方案。第二个案例是结合人控界面与农业机器人作业协同仿真的实例，说明协同开发
2018-02-17 cs.RO
Automated Automotive Radar Calibration With Intelligent Vehicles
Ulm University（乌尔姆大学）；Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）
针对车载雷达在车辆外应用需精确标定且耗时的问题，提出利用自动驾驶车辆位置数据与过滤传感器数据结合，通过假设过滤和优化实现自动化地理参考外部标定，经实测验证可正确标定基础设施传感器。
2023-06-23 cs.CV cs.RO
Anomaly Detection in Connected and Automated Vehicles using an Augmented State Formulation
University of Michigan（密歇根大学）；University of Tennessee Knoxville（田纳西大学诺克斯维尔分校）
在本文中，我们提出了一种新的基于异常检测方法的连接和自动车辆（CAV）。所提出的方法利用一个增强的扩展卡尔曼滤波器（AEKF）平滑传感器读数的CAV的基础上的非线性跟车运动模型的时间延迟，其中领先的车辆的轨迹是由主体车辆检测传感器异常。我们使用经典的$χ^2$故障检测器与建议AEKF异常检测。为了使所提出的模型更适合于现实世界的应用，我们考虑了随机通信时间延迟的车辆跟驰模型。我们在真实世界的联网车辆数据上进行的实验表明，具有$χ^2$检测器的AEKF可以实现高的异常检测性能。
2021-02-25 cs.RO eess.SP
Generative Models and Connected and Automated Vehicles: A Survey in Exploring the Intersection of Transportation and AI
School of Engineering Science（工程科学学院）；Shandong Xiehe University（山东谢河大学）；Department of Electrical Engineering（电气工程系）；Northwestern University（西北大学）；Department of Computer Science（计算机科学系）；Pace University（帕克大学）
本文综述了生成模型与连接自动化车辆在交通与AI交汇领域的应用，探讨其在预测建模、模拟精度和自动驾驶决策中的提升作用及面临的挑战。
2026-04-21 cs.AI cs.LG 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
A Survey of Federated Learning for Connected and Automated Vehicles
Purdue University（普渡大学）
互联和自动驾驶汽车（CAV）是汽车领域的新兴技术之一，有可能缓解事故，交通拥堵和污染物排放问题，从而实现安全，高效和可持续的交通系统。基于机器学习的方法广泛用于CAV中的感知、运动规划和运动控制等关键任务，其中CAV中的机器学习模型仅使用本地车辆数据进行训练，并且当暴露于新环境或看不见的条件时，性能不确定。联邦学习（FL）是CAV的一种有效解决方案，它能够在分布式学习框架中实现多飞行器的协同模型开发。FL使CAV能够从各种驾驶环境中学习，并提高其整体性能，同时确保本地车辆数据的隐私和安全。在本文中，我们回顾了研究人员在CAV上应用FL所取得的进展。一个更广泛的视图的各种数据模式和算法，已实施的CAV。FL的具体应用进行了详细的审查，并提出了分析的挑战和未来的研究范围。
2023-03-19 cs.LG cs.RO
TUM Teleoperation: Open Source Software for Remote Driving and Assistance of Automated Vehicles
Institute of Automotive Technology Technical University of Munich（汽车技术研究所慕尼黑技术大学）
针对现有开源软件无法同时结合自动驾驶车辆远程驾驶与远程辅助及实车测试的空白，提出一种模块化开源远程操作软件栈，支持与Autoware等自动驾驶软件交互及多平台集成，并在仿真和真实环境中验证了其延迟与性能。
2025-06-16 cs.HC cs.RO cs.SE
