Cooperative Planning for Fuel-constrained Aerial Vehicles and Ground-based Refueling Vehicles for Large-Scale Coverage
IIIT-Delhi（德里印度理工学院）；CNLS, Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室非线性研究中心）；Texas A&M University（得克萨斯农工大学）；Loughbrough University（拉夫堡大学）
低成本无人机需要多次加油才能实现大面积覆盖。加油站的数量及其位置在确定覆盖效率方面起着至关重要的作用。在本文中，我们提出了使用地面加油车（RV），以增加无人机的操作范围在空间和时间域。确定UAV和RV的最佳路线以及选择最佳加油位置以帮助最小化覆盖时间是一个具有挑战性的问题，这是由于不同的车辆速度、加油位置放置之间的耦合以及每个位置处的覆盖区域。针对无人机和RV执行覆盖任务的耦合航路规划问题，提出了一种两阶段策略。第一阶段计算一个最小的加油站，允许一个可行的无人机路线。在第二阶段，考虑到第一阶段生成的可行加油地点集，开发多个混合整数线性规划（MILP）公式来规划无人机和加油车的最佳路线。不同配方的性能进行了经验比较。此外，计算效率的算法被开发来解决路由问题。进行了大量的模拟，以证实所提出的方法的有效性。
2018-05-11 cs.RO
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
Gradient Aware - Shrinking Domain based Control Design for Reactive Planning Frameworks used in Autonomous Vehicles
Robotics Research Center, IIIT-Hyderabad（印度海得拉巴国际信息技术学院机器人研究中心）
在本文中，我们提出了一种新的控制律的纵向速度控制的自主车辆。所提出的工作的主要贡献包括控制律的设计，反应性地集成到其操作的纵向路面坡度。在现有的作品相比，我们发现，集成到控制框架的路径梯度，提高了速度跟踪效率。由于控制律是在收缩域方案上实现的，因此它通过在每个离散步骤重新计算控制输入来最小化积分误差，从而提供更少的反应时间。这使得我们的控制律适用于运动规划框架，在高频率下运行。此外，我们的工作是使用一个广义的车辆模型，可以很容易地扩展到其他类别的车辆。基于梯度感知收缩域的控制器的性能实现和测试的股票电动汽车上安装了一些传感器。测试结果表明，我们的控制律的鲁棒性速度跟踪地形上的变化梯度，同时也考虑到严格的时间限制的规划框架。
2018-04-23 cs.RO
Long-Range Route-planning for Autonomous Vehicles in the Polar Oceans
British Antarctic Survey（英国南极调查局）；Schlumberger Cambridge Research（斯伦贝谢剑桥研究院）
在极地冰情条件下，对有人驾驶的自主水下航行器（AUV）的需求越来越大。目前，AUV是从船上部署的，并直接由人类驾驶，在这些地区，这带来了很高的碳成本，并限制了作业范围。长期自主任务的一个关键要求是远程路线规划能力，这种能力能够了解不断变化的冰况。在本文中，我们解决的问题，自动化远程航线规划的AUV在南大洋。我们提出的路线规划方法和结果表明，有效的，避免冰，长距离的穿越可以计划。
2021-11-20 cs.AI 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
Interpretable Goal-based Prediction and Planning for Autonomous Driving
Five AI Ltd.（Five AI有限公司）；School of Informatics, University of Edinburgh（爱丁堡大学信息学院）；University of Oxford（牛津大学）
我们提出了一个集成的预测和规划系统的自动驾驶，使用合理的逆向规划，以识别其他车辆的目标。目标识别通知蒙特卡罗树搜索（MCTS）算法来规划自我车辆的最佳机动。逆向规划和MCTS利用一组共享的定义机动和宏观行动来构建可通过合理性原则解释的计划。在城市驾驶场景模拟中的评估表明，该系统能够稳健地识别其他车辆的目标，使我们的车辆能够利用重要的机会来显着减少驾驶时间。在每种情况下，我们提取直观的解释，证明系统的决定的预测。
2021-03-15 cs.RO
Safety-Assured Speculative Planning with Adaptive Prediction
Northwestern University（西北大学）；Pony.ai, Inc.（小马智行公司）
针对自动驾驶复杂场景下轨迹规划难兼顾性能与安全的问题，提出基于预测-规划接口的新型推测规划框架，自适应调整周围车辆行为与轨迹的概率预测，兼顾期望奖励最大化与最坏情况安全，仿真验证其性能与安全性优于基线方法。
2023-07-21 cs.RO
AutonoVi: Autonomous Vehicle Planning with Dynamic Maneuvers and Traffic Constraints
University of North Carolina, Chapel Hill（北卡罗来纳大学教堂山分校）；University of Central Florida（中佛罗里达大学）
我们提出了AutonoVi：，一种新的自主车辆导航算法，支持动态机动，满足交通约束和规范。我们的方法是基于优化的机动规划，支持动态车道变化，转弯，刹车在所有的交通场景，并引导车辆到其目标位置。我们考虑到各种交通约束，包括避免与其他车辆，行人和骑自行车的人使用控制速度障碍碰撞。我们使用数据驱动的方法来建模车辆动力学控制和避免碰撞。此外，我们的轨迹计算算法考虑到交通规则和行为，如停止在十字路口和红灯，基于圆弧样条表示。我们在模拟环境中评估了我们的算法，并测试了其在城市和高速公路驾驶场景中与数十辆汽车，行人和骑自行车的人的交互性能。这些场景包括乱穿马路的行人、从高速上突然停车、安全地通过骑自行车的人、车辆突然转向车道以及高密度交通，其中车辆必须改变车道以更有效地前进。
2017-03-29 cs.MA cs.RO
Roadside-assisted Cooperative Planning using Future Path Sharing for Autonomous Driving
Graduate School of Information Science and Technology, The University of Tokyo（东京大学信息科学与技术研究生院）；School of Computing, Tokyo Institute of Technology（东京工业大学计算机学院）
协作智能交通系统（ITS）由自主车辆用于与周围的自主车辆和路边单元（RSU）通信。目前的C-ITS应用主要集中在实时信息共享，如协同感知。除了实时信息共享，自动驾驶汽车还需要协调行动计划，以实现更高的安全性和效率。为此，本研究定义了车辆的未来行动计划/路径，并设计了一个合作的路径规划模型在交叉口使用未来的路径共享的基础上，未来的路径信息的多辆车。其概念是，当RSU根据共享的未来路径检测到车辆路径的潜在冲突或加速机会时，它将生成调整车辆速度的协调路径更新。我们使用开源Autoware自动驾驶软件实现了所提出的方法，并使用LGSVL自动驾驶汽车模拟器对其进行了评估。我们对两辆车在一个盲路口的场景进行了模拟实验，发现每辆车都可以通过规划一条反映所有车辆行动计划的路径来安全、更有效地行驶。通过引入RSU所消耗的时间比在十字路口的独立自动驾驶案例缩短了23.0%和28.1%。
2021-08-10 cs.RO
Rapid Uncertainty Propagation and Chance-Constrained Path Planning for Small Unmanned Aerial Vehicles
University of Michigan（密歇根大学）；NASA Ames Research Center（美国国家航空航天局艾姆斯研究中心）
随着未来几年国家空域中小型无人机系统（sUAS）的数量预计将增加，人们对能够处理该航空部门需求的交通管理系统的兴趣越来越大。预计这样的系统将涉及轨迹预测、不确定性传播和路径规划算法。在这项工作中，我们使用线性协方差传播结合基于二次规划的碰撞检测算法，以快速验证申报的飞行计划。此外，这些算法结合了动态，知情RRT* 算法，从而在计算效率的算法的机会约束的路径规划。固定翼和四旋翼无人机模型的详细数值例子。
2019-11-06 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
Motion Planning by Reinforcement Learning for an Unmanned Aerial Vehicle in Virtual Open Space with Static Obstacles
School of Integrated Technology, Yonsei University（延世大学整合技术学院）；Electronics and Telecommunications Research Institute（电子通信研究院）
在这项研究中，我们应用强化学习的邻近策略优化算法的基础上执行运动规划的无人机（UAV）在开放空间与静态障碍。强化学习在真实无人机中的应用存在时间和成本等限制，因此，我们使用Gazebo模拟器在虚拟环境中对虚拟四旋翼无人机进行训练。随着强化学习的进行，模型的平均奖励和目标率增加。此外，训练模型的测试表明，无人机达到了81%的目标率使用简单的奖励函数在这项工作中建议。
2020-09-24 cs.LG cs.RO
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
Towards Scalable & Efficient Interaction-Aware Planning in Autonomous Vehicles using Knowledge Distillation
Honda Research Institute（本田研究所）
本文提出利用知识蒸馏训练更小的预测网络，在保持交互感知轨迹规划精度的同时显著加速自动驾驶汽车的约束优化求解过程。
2024-04-02 cs.AI cs.LG cs.RO
Hierarchical Game-Theoretic Planning for Autonomous Vehicles
University of California, Berkeley（加州大学伯克利分校）；KTH Royal Institute of Technology（KTH皇家理工学院）；Stanford University（斯坦福大学）
自动驾驶汽车在道路上的行为会影响其他驾驶员的行为，无论是超车、谈判合并还是避免事故。这种相互依赖，最好用动态博弈论来描述，在车辆的规划和对其他驾驶员行为的预测之间建立了强耦合，并构成了一个直接影响自动驾驶技术安全性和可行性的开放性问题。不幸的是，动态游戏的计算要求太高，无法满足自动驾驶在连续状态和动作空间中的实时约束。在本文中，我们介绍了一种新的游戏理论的自动驾驶轨迹规划算法，使实时性能分层分解的基础动态游戏到一个长期的“战略”游戏，简化的动态和完整的信息结构，和一个短期的“战术”游戏，完整的动态和简化的信息结构。战略博弈的价值被用来指导战术规划，隐含地扩展规划范围，推动局部轨迹优化更接近全局解决方案，最重要的是，定量地考虑自动驾驶汽车和人类驾驶员相互影响的能力和激励。此外，我们的方法承认人类决策的非确定性模型，而不是依赖于完全理性的预测。与现有技术相比，我们的研究结果展示了更丰富，更安全，更有效的自主行为。
2018-10-13 cs.AI cs.MA cs.RO
Accuracy Evaluation of a Lightweight Analytic Vehicle Dynamics Model for Maneuver Planning
Fraunhofer IOSB（弗劳恩霍夫IOSB研究所）
针对自动驾驶机动规划中简化动力学模型影响未明的问题，提出一种兼具参数解析提取和轨迹生成功能的轻量化解析车辆动力学模型，经实车测试评估其精度并分析简化假设的影响。
2024-05-14 cs.NA cs.RO cs.SY
On Salience-Sensitive Sign Classification in Autonomous Vehicle Path Planning: Experimental Explorations with a Novel Dataset
University of California, San Diego（加州大学圣地亚哥分校）
自动驾驶中的安全路径规划是一项复杂的任务，由于静态场景元素和不确定的周围代理的相互作用。虽然所有静态场景元素都是信息源，但自我车辆可用的信息具有不对称的重要性。我们提出了一个数据集与一个新的功能，标志的显着性，定义为指示是否有明显的信息，自我车辆的目标，关于交通法规的标志。在裁剪标志上使用卷积网络，结合道路类型、图像坐标和计划机动的实验增强，我们以76%的准确率预测标志的显著性，使用标志图像的车辆机动信息找到最佳改进。
2021-12-02 cs.CV cs.RO
Path Planning Followed by Kinodynamic Smoothing for Multirotor Aerial Vehicles (MAVs)
Center for Technologies in Robotics and Mechatronics Components, Innopolis University（英诺波利斯大学机器人与机电一体化组件技术中心）
我们探索路径规划其次是运动动力学平滑，同时确保车辆动力学的可行性微型飞行器。为此，我们选择了基于几何的运动规划技术\textquotedblleft RRT* \textquotedblright \;。在所提出的技术中，我们修改了原始RRT* 引入自适应搜索空间和转向功能，这有助于增加规划器的一致性。此外，我们提出了多个RRT*，它产生一组所需的路径，提供了最佳的路径是其中选择。然后，应用运动动力学平滑技术，得到动态可行的无障碍路径，并利用b样条曲线生成未知环境下的自主机动轨迹。最后，我们在各种模拟环境中测试了所提出的技术。
2020-08-29 cs.CV cs.RO math.OC
Other Vehicle Trajectories Are Also Needed: A Driving World Model Unifies Ego-Other Vehicle Trajectories in Video Latent Space
Project Leader（项目负责人）
针对现有驾驶世界模型无法控制其他车辆轨迹的问题，提出EOT-WM模型，通过统一自车-他车轨迹实现驾驶模拟，在nuScenes数据集上FID和FVD指标分别提升30%和55%，还能预测未见场景。
2025-11-19 cs.AI cs.CV
Deep Learning Based Motion Planning For Autonomous Vehicle Using Spatiotemporal LSTM Network
Beijing Jiaotong University（北京交通大学）
运动规划作为自主车辆自动导航的基础技术，在现实交通环境中仍然是一个具有挑战性的问题，主要应用于基于模型的方法。然而，由于交通状况的复杂性和边缘情况的不确定性，很难为自主车辆设计通用的运动规划系统。本文提出了一种基于深度学习的运动规划模型（称为时空LSTM网络），它能够基于时空信息提取生成实时反射。具体来说，基于时空LSTM网络的模型有三个主要结构。首先，使用卷积长短期记忆（Conv-LSTM）从序列图像数据中提取隐藏特征。然后，应用3D卷积神经网络（3D-CNN）从多帧特征信息中提取时空信息。最后，全连接神经网络被用来构建自主车辆转向角的控制模型。实验结果表明，该方法能够为自主车辆生成鲁棒、准确的视觉运动规划结果。
2019-03-05 cs.AI cs.CV
NuPlan: A closed-loop ML-based planning benchmark for autonomous vehicles
Motional（Motional（自动驾驶公司））
在这项工作中，我们提出了世界上第一个基于ML的闭环自动驾驶规划基准。虽然基于ML的运动规划器越来越多，但缺乏既定的数据集和指标限制了这一领域的进展。现有的自动驾驶汽车运动预测基准集中在短期运动预测，而不是长期规划。这导致以前的作品使用开环评估与L2为基础的指标，这是不适合公平地评估长期规划。我们的基准测试通过引入大规模驾驶数据集、轻量级闭环模拟器和运动规划特定指标来克服这些限制。我们提供了一个高质量的数据集，其中包含来自美国和亚洲4个城市（波士顿，匹兹堡，拉斯维加斯和新加坡）的1500小时人类驾驶数据，这些城市的交通模式差异很大。我们将提供一个闭环仿真框架与反应代理，并提供了一个大的通用和特定的规划指标集。我们计划在NeurIPS 2021上发布数据集，并从2022年初开始组织基准测试挑战。
2022-02-04 cs.CV
Top-view Trajectories: A Pedestrian Dataset of Vehicle-Crowd Interaction from Controlled Experiments and Crowded Campus
The Ohio State University（俄亥俄州立大学）；Dalian University of Technology（大连理工大学）
预测车辆影响下的一组行人（人群）的集体运动对于自动驾驶车辆的开发至关重要，以处理人际交互和车辆-人群交互（VCI）非常重要的混合城市场景。这通常需要一个模型，可以描述单个行人运动的影响下，附近的行人和车辆。本研究提出了两个行人轨迹数据集，CITR数据集和DUT数据集，使行人运动模型可以进一步校准和验证，特别是当车辆对行人的影响起着重要的作用。CITR数据集由实验设计的基本VCI场景（前，后和横向VCI）组成，并为每个行人提供唯一的ID，适合探索VCI的特定方面。DUT数据集给出了拥挤的大学校园中两个普通和自然的VCI场景，可以用于更通用的VCI探索。行人和车辆的轨迹是通过处理视频帧来提取的，这些视频帧来自安装在悬停无人机上的向下摄像头作为记录设备。分别采用线性点质量模型和非线性自行车模型对行人和车辆的最终轨迹进行卡尔曼滤波器修正，估计行人的xy速度和车辆的纵向速度和方向。速度幅值分布的统计结果证明了该数据集的有效性。CITR数据集中总共有大约340个行人轨迹，DUT数据集中有1793个行人轨迹。数据集可以在GitHub上找到。
2019-04-19 cs.CV
Parting with Misconceptions about Learning-based Vehicle Motion Planning
University of Tübingen（图宾根大学）；Tübingen AI Center（图宾根人工智能中心）；Robert Bosch GmbH（罗伯特·博世有限公司）
针对nuPlan中短期规划与长时自车预测目标不一致的问题，本文分析闭环与开环任务特性，提出仅依赖车道图搜索中心线的简单高效规划器，并赢得nuPlan 2023挑战赛。
2023-11-02 cs.AI cs.CV cs.LG
VIPS: Vehicle-Infrastructure Cooperative Planning Benchmark via Pseudo-Simulation
KAIST（韩国科学技术院）
该研究针对车路协同自动驾驶评估的痛点，提出基于伪仿真的VIPS基准及CoS-V2X协同规划框架，实现了低成本可扩展的稳健性评估，提供了相关代码与数据集。
2026-09-03 cs.CV
AccidentSim: Generating Vehicle Collision Videos with Physically Realistic Collision Trajectories from Real-World Accident Reports
School of Computer and Artificial Intelligence, Beijing Technology and Business University（北京工商大学计算机与人工智能学院）；The University of Sydney（悉尼大学）
AccidentSim通过提取事故报告中的物理信息生成真实碰撞视频，结合物理模拟和NeRF技术提升视觉与物理真实性。
2026-09-07 cs.AI cs.CV
Prediction and Interpretation of Vehicle Trajectories in the Graph Spectral Domain
AUDI AG（奥迪股份公司）；Technical University of Munich（慕尼黑工业大学）
本文提出GFTNNv2深度学习网络，利用多维图傅里叶变换将交通场景映射到图谱域，并据此预测车辆轨迹，在highD和NGSIM上较现有方法最高提升25%。
2023-08-16 cs.AI cs.CV
