Algorithmic Approaches to Enhance Safety in Autonomous Vehicles: Minimizing Lane Changes and Merging
本文提出基于状态机的MLCA算法以减少自动驾驶车辆不必要的变道，SUMO仿真显示其能显著降低变道与碰撞次数，提升交通效率与安全性，并具备大规模部署潜力。
2025-07-16 cs.SY eess.SY
Automated Lane Merging via Game Theory and Branch Model Predictive Control
TU Delft（代尔夫特理工大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）
本文提出融合搜索式规划、矩阵博弈与分支模型预测控制的车道汇入框架，可选择汇入间隙并应对周围车辆的 Nash 与 Stackelberg 不确定策略，真实密集交通数据验证了其有效性。
2025-02-17 cs.RO cs.SY eess.SY
Discrete-time Control Barrier Functions for Guaranteed Recursive Feasibility in Nonlinear MPC: An Application to Lane Merging
本文提出DTCBF和qDTCBF证书作为非线性MPC终端要素以保证递归可行性，其中qDTCBF可在更紧输入约束下满足条件，并在自动驾驶车道合并场景中通过仿真验证了方法的有效性。
2023-09-20 cs.SY eess.SY math.OC
Modeling the Lane-Change Reactions to Merging Vehicles for Highway On-Ramp Simulations
Global Center for Automotive Performance Simulation（全球汽车性能模拟中心）；Honda Research Institute, USA Inc.（美国本田研究所）；Virginia Tech Transportation Institute（弗吉尼亚理工大学交通研究所）
本研究通过引入车道变换反应改进高速公路汇入场景仿真，利用在8个代表性地点收集的自然驾驶数据评估两种模型，并集成至高保真仿真环境以支持自动驾驶开发。
2024-07-26 cs.RO cs.SY eess.SY
HCOMC: A Hierarchical Cooperative On-Ramp Merging Control Framework in Mixed Traffic Environment on Two-Lane Highways
针对混合交通流，本文提出HCOMC分层协作匝道汇入控制框架，结合改进虚拟车辆模型、博弈论换道与多目标优化，显著提升了汇入过程的安全性与交通效率。
2025-07-15 cs.AI cs.RO cs.SY
Merging Control Strategies of Connected and Autonomous Vehicles at Freeway On-Ramps: A Comprehensive Review
入口匝道合流区是高速公路网中典型的瓶颈路段，入口匝道车辆的合流会对主线交通流产生强烈的扰动，对交通效率和安全造成各种负面影响。互联和自动驾驶车辆（CAV）具有实时通信和精确运动控制的能力，通过增强的协调策略，具有促进匝道合并操作的巨大潜力。本文对现有的基于CAV的匝道并道策略进行了全面的综述，重点介绍了该领域的最新研究动态。该综述全面涵盖了最近发表在主要运输期刊上的44篇论文。基于应用背景，控制策略分为三类：合并到单车道高速公路与总CAV，合并到单车道高速公路与混合交通流，并合并到多车道高速公路。相关文献综述了所需的技术，控制决策水平，应用方法，和对交通性能的影响。更重要的是，我们确定了现有的研究差距，并提供了有见地的讨论的潜力和有前途的方向，为未来的研究的基础上，这有利于进一步推进这一研究课题。
2022-03-22 cs.SY eess.SY
A Collaborative Safety Shield for Safe and Efficient CAV Lane Changes in Congested On-Ramp Merging
School of Computer Science and Statistics, Trinity College Dublin（计算机科学与统计学系，三一学院都柏林）
本文提出MARL-MASS，通过整合多智能体安全盾和定制奖励函数，在拥堵交通中实现安全且高效的车道变换。
2026-02-10 cs.AI cs.MA cs.RO
Deep Multi-agent Reinforcement Learning for Highway On-Ramp Merging in Mixed Traffic
对于自动驾驶汽车（AV）来说，入口匝道合并是一项具有挑战性的任务，特别是在AV与人类驾驶汽车（HDV）共存的混合交通中。在本文中，我们制定的混合交通高速公路入口匝道合并问题作为一个多智能体强化学习（MARL）问题，其中的AV（合并车道和通过车道）协作学习的政策，以适应HDV，以最大限度地提高交通吞吐量。我们开发了一个有效的和可扩展的MARL框架，可用于动态交通的通信拓扑结构可能是时变的。参数共享和本地奖励被利用来促进代理间的合作，同时实现很大的可扩展性。一个动作屏蔽计划，以提高学习效率，过滤掉无效/不安全的动作在每一步。此外，一种新的基于优先级的安全监督器的开发，显着降低碰撞率，大大加快了训练过程。开发了一个类似健身房的模拟环境，并开源了三种不同的交通密度水平。我们利用课程学习，在更简单的设置下从训练模型中有效地学习更难的任务。综合实验结果表明，建议的MARL框架始终优于几个国家的最先进的基准。
2022-11-05 cs.SY eess.SY
To Stay or to Bypass: Unraveling Mainline Vehicles' Aggregate Strategic Decision-Making at Highway Weaving Ramps
针对高速公路交织匝道中主线直行车辆的车道选择问题，提出一种仅需少量参数和测量数据校准的博弈论聚合行为模型，并经SUMO仿真验证具有高预测精度。
2025-05-13 cs.SY eess.SY
Cooperative Lane Changing in Mixed Traffic can be Robust to Human Driver Behavior
我们推导出时间和能量最优的控制策略，连接自动驾驶汽车（CAV）完成车道变换机动混合交通。CAV与人驾驶车辆（HDV）之间的相互作用要求设计CAV对其相邻HDV的动作的最佳可能响应。使用具有HDV的适当行为模型的双层优化设置来制定这种相互作用。然后，迭代最佳对策（IBR）的方法来确定纳什均衡。然而，我们也表明，当一个共同的和简单的检测条件适用，最佳的换道策略实际上是独立的HDV的行为与CAV改变车道的合作与另一个CAV在目标车道，总是合并在它之前。因此，依赖于CAV和HDV之间的相互作用，在这种情况下，可以消除。仿真结果表明，我们的控制器的有效性，在成本，安全保证，和中断的交通流量时，不可控的HDVs存在。
2023-03-29 cs.SY eess.SY
Gap Acceptance During Lane Changes by Large-Truck Drivers-An Image-Based Analysis
University of Michigan Transportation Research Institute (UMTRI)（密歇根大学交通研究所）；National Institute for Occupational Safety Health (NIOSH)（美国国家职业安全卫生研究所）
本文通过图像分析研究了大型卡车驾驶员在高速公路变道场景中的后方间隙接受特性，揭示了变道方向对车辆速度的影响及安全阈值。
2017-07-28 cs.SY eess.SY
Automated Vehicle Highway Merging: Motion Planning via Adaptive Interactive Mixed-Integer MPC
提出了一种新的高速公路自动合流运动规划框架。为了计划合并并预测相邻车辆的运动，自我自动驾驶车辆在后退范围内解决了两个车辆成本的联合优化。通过引入整数决策变量处理可行区域和车道纪律的非凸性质，从而导致模型预测控制（MPC）问题的混合整数二次规划（MIQP）制定。此外，自我使用逆最优控制方法，通过观察邻居的最近运动来估算邻居车辆成本的权重，并相应地调整其解决方案。我们称之为自适应交互式混合整数MPC（aiMPC）。仿真结果表明了该框架的有效性。
2022-11-04 cs.SY eess.SY
Safe platooning control of connected and autonomous vehicles on curved multi-lane roads
针对弯曲多车道道路上CAV安全编队跟踪与汇入问题，提出解耦的横向/纵向控制并加入构造性势垒反馈，实现避撞、安全不变性与稳定性保证。
2025-02-14 cs.SY eess.SY
Shared Control for Vehicle Lane-Changing with Uncertain Driver Behaviors
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
针对驾驶员行为不确定性导致的换道交通扰动与串稳定性下降问题，提出含标称稳定控制器和最小干预控制器的人机共享换道控制框架，经多数据集验证可在保留驾驶员权限的同时平衡稳定性、效率与舒适性。
2025-10-29 cs.SY eess.SY
Improving Freeway Merging Efficiency via Flow-Level Coordination of Connected and Autonomous Vehicles
高速公路入口匝道是高速公路网中典型的瓶颈路段，其合流、交织、换道等行为频繁发生。通过实时通信和精确的运动控制，互联和自动驾驶车辆（CAV）为大幅提高入口匝道瓶颈的交通运行性能提供了机会。在本文中，我们提出了一个上层控制策略，以协调两个交通流在入口匝道合并，通过积极的间隙创建和队列形成。协调包括三个组成部分：（1）主线车辆主动减速，以创造大的合并间隙;（2）匝道车辆形成队列进入主干道;（3）主干道上创造的间隙和匝道上形成的队列在大小，速度和到达时间方面相互协调。协调制定为一个约束优化问题，结合宏观和微观交通流模型，流量水平的效率收益。该模型以交通状态参数为输入，确定适应实时交通状况的最优协调方案。拟议的协调的好处是通过一个说明性的案例研究证明。结果表明，协调是兼容的，与现实世界的实施，可以大大提高入口匝道合并的整体效率，特别是在高交通量的条件下，其中经常性的交通拥堵是防止，合并吞吐量增加。
2021-08-04 cs.SY eess.SY
A Spring-Mass-Damper-Based Platooning Logic for Automated Vehicles
本文应用经典的基于物理的模型，在商业交通仿真软件中控制自动驾驶汽车的队列行驶。在弹簧-质量-阻尼模型中，每辆车被假定为一个质量与其前车耦合的弹簧和阻尼器：弹性常数和阻尼系数控制车辆之间的间距和速度采用。该模型考虑了面向队列的通信范围和每个队列中车辆数量的限制，以反映现实情况，避免队列过长。SMD模型控制队列内和队列间的交互。对模型的初步评估表明，SMD模型在恶劣的减速情况下不会导致AV之间的负间距误差，从而保证了安全性。此外，SMD模型产生的正平均间距误差比VISSIM内置的队列模块更小，这防止了最大吞吐量下降。对一个普通路段的仿真结果表明，在响应时间为0.5秒的情况下，在10%、50%和完全市场渗透率的情况下，所提出的排队算法使最大吞吐量分别增加了10%、29%和63%。通过建立一个主路段和合流路段不同流量组合、不同自动驾驶汽车市场渗透率的合流路段模型，验证了车队间距政策在容纳合流车辆方面的有效性。在主车道和合流车道上，在低MPR的情况下，行程时间分别减少了20%和4%。同时，在较高的AV的MPR下，在主线和合流车道以及所有流量组合下观察到更明显的行程时间减少。
2022-09-16 cs.SY eess.SY physics.app-ph
Experimental Validation of a Real-Time Optimal Controller for Coordination of CAVs in a Multi-Lane Roundabout
University of Delaware（特拉华大学）
结合其他交通情况的圆形广告，例如，由于驾驶员对各种干扰的响应，交叉口、合并道路、减速区可能引起交通网络中的拥塞。研究工作表明，平滑交通流量和消除走走停停的驾驶既可以提高车辆的燃油效率，也可以提高环形交叉口的吞吐量。在本文中，我们验证了最优控制框架早期开发的多车道环形交叉路口的情况下，使用特拉华大学的规模智能城市（UDSSC）。我们首先提供的解决方案是最优的条件。然后，我们证明了解决方案的可行性，在UDSSC的实验，并表明，最优解完全消除走走停停的驾驶，同时保持安全。
2020-05-18 cs.RO cs.SY eess.SY
Connected and Automated Vehicle Distributed Control for On-ramp Merging Scenario: A Virtual Rotation Approach
在这项研究中，我们提出了一个旋转为基础的连接自动车（CAV）的分布式协同控制策略的入口匝道合并的情况。通过假设主线和匝道为直线，设计了一种虚拟旋转方法，将合并问题转化为虚拟跟车问题，降低了协调CAV合并控制的复杂度和维数。在此基础上，建立了多先导虚拟CF模型和单向多先导通信拓扑，以确定各CAV的纵向行为。具体来说，我们利用一个分布式的反馈和前馈纵向控制器，准备积极产生的差距合并CAV，减少合并造成的空隙，并确保安全和交通效率的过程中。为了保证系统的干扰衰减特性，从数学上证明了虚拟CF控制器的实际串稳定性，以抑制业务流对业务振荡的放大。此外，为了扩展虚拟CF在任意弯道匝道上的应用场景，本文采用曲线坐标建模二维并线控制，并进一步设计了基于扩展线性二次型调节器的局部横向控制器来调节车道中心线的位置偏差和角度偏差。为了系统地评价所提出的方法的控制性能，进行了数值仿真实验。结果表明，所提出的控制器可以主动减少空隙，同时保证阻尼的交通振荡的合并控制区。
2022-01-18 cs.SY eess.SY
Sequencing-enabled Hierarchical Cooperative CAV On-ramp Merging Control with Enhanced Stability and Feasibility
本文提出一种基于排序的分层协同CAV匝道合流控制框架，上层用混合整数线性规划排序以协调交通密度，下层用分布式MPC和虚拟跟驰保证稳定与安全，并通过数值实验验证其优越性。
2024-05-25 cs.SY eess.SY
TGLD: A Trust-Aware Game-Theoretic Lane-Changing Decision Framework for Automated Vehicles in Heterogeneous Traffic
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
针对异构交通中现有换道框架忽略人类驾驶车辆动态信任水平的问题，提出信任感知博弈论换道决策（TGLD）框架，通过多车辆联盟博弈与在线信任评估引导自动驾驶车辆选择情境自适应的合作策略，实验证明该方法显著提升换道效率并保障安全。
2025-07-14 cs.AI cs.RO cs.SY
Embodied Opinion Dynamics for Safety-Critical Motion Control in Dynamic Environments
The University of Manchester（曼彻斯特大学）；RWTH Aachen University（亚琛工业大学）
提出一种自适应控制框架，将非线性意见动力学嵌入自动车辆的运动感知层，实现非合作环境下的安全决策与运动控制，并提供形式化安全保证与稳定性分析。
2026-06-12 cs.SY eess.SY
Safe and Efficient CAV Lane Changing using Decentralised Safety Shields
School of Computer Science and Statistics, Trinity College Dublin（计算机科学与统计学学院，都柏林三一学院）
针对CAV换道安全难题，提出去中心化混合安全护盾HSS并与MARL集成，在匝道合流场景中实现零碰撞且保持交通效率。
2025-04-30 cs.AI cs.MA cs.RO
Interaction-aware Model Predictive Control for Autonomous Driving
由于受控车辆与周围交通参与者的不确定行为之间的强烈相互作用，车道变换和车道合并仍然是自动驾驶的一项具有挑战性的任务。这种相互作用导致车辆的状态依赖于周围车辆的（随机）动力学，增加了预测未来轨迹的难度。此外，小的相对距离导致传统的鲁棒方法变得过于保守，需要明确知道车辆间相互作用的控制方法。为了实现这些目标，我们提出了一个互动感知的随机模型预测控制（MPC）策略集成了在线学习框架，该模型作为一个未知参数的状态相关的概率分布的一个给定的驱动程序的合作水平。在线学习框架自适应地估计周围车辆的合作水平与车辆的过去轨迹，并将其与运动车辆模型相结合，以预测多模态未来状态轨迹的概率。学习是用逻辑斯谛回归进行的，它可以实现快速的在线计算。在MPC算法中使用多未来预测来计算满足安全约束的最优控制输入。我们展示了我们的算法在一个互动的车道变化的情况下，司机在不同的随机选择的合作水平。
2022-11-30 cs.SY eess.SY math.OC
Optimal Safe Sequencing and Motion Control for Mixed Traffic Roundabouts
本文提出一种面向混合交通环岛的OSS控制框架，联合优化CAV排序与运动控制，集成SS策略与MPC-CLBF方法，在保证安全的同时最小化行程时间、能耗与不适，仿真验证了其有效性。
2025-03-25 cs.SY eess.SY
Real-time Mixed-Integer Quadratic Programming for Vehicle Decision Making and Motion Planning
本研究提出基于混合整数二次规划的自动驾驶决策系统MIP-DM，结合自研求解器BB-ASIPM实现嵌入式硬件上的实时机动选择与轨迹生成，经多场景仿真、硬件在环及实车实验验证了有效性。
2023-08-19 cs.SY eess.SY math.OC
Autonomous vehicle decision and control through reinforcement learning with traffic flow randomization
Shien-Ming Wu School of Intelligent Engineering, South China University of Technology（华南理工大学吴贤铭智能工程学院）
本研究提出通过随机化SUMO中微观交通流参数来训练强化学习策略，提升自动驾驶在真实交通场景中的性能，实验证明该方法显著提高了成功率和计算奖励。
2024-04-19 cs.LG cs.RO cs.SY
Human-Like Decision Making for Autonomous Driving: A Noncooperative Game Theoretic Approach
School of Mechanical and Aerospace Engineering, Nanyang Technological University（南洋理工大学机械与航天工程学院）
考虑到未来人类驾驶车辆和自动驾驶车辆（AVs）将在道路上长期共存，如何将AVs融入人类驾驶员的交通生态，并将AVs的影响及其与人类驾驶员的不匹配降至最低，是值得考虑的问题。此外，不同的乘客对自动驾驶汽车有不同的需求，因此，如何为不同的乘客提供个性化的选择是自动驾驶汽车的另一个问题。因此，本文设计了一个类人的决策框架的自动驾驶汽车。不同的驾驶风格和社会互动的特点，制定了自动驾驶汽车的驾驶安全性，乘坐舒适性和旅行效率，这是考虑在建模过程中的决策。然后，将纳什均衡和Stackelberg博弈理论应用于非合作决策问题。此外，将势场法和模型预测控制（MPC）相结合来处理无人驾驶汽车的运动预测和规划，为决策模块提供预测的运动信息。最后，给出了两种典型的变道测试场景，合并和超车，进行评估的可行性和有效性的建议决策框架考虑不同的类人行为。测试结果表明，这两种博弈论方法都可以为无人驾驶汽车提供合理的人性化决策。与纳什均衡方法相比，在正常驾驶方式下，Stackelberg博弈方法的决策成本值降低了20%以上。
2020-09-23 cs.RO cs.SY eess.SY
Survey of Deep Reinforcement Learning for Motion Planning of Autonomous Vehicles
Department of Control for Transportation and Vehicle Systems, Budapest University of Technology and Economics（布达佩斯技术与经济大学交通与车辆系统控制系）；Budapest University of Technology and Economics（布达佩斯技术与经济大学）；Hungary（匈牙利（注：根据要求，国家名不属于机构，此处仅为验证，实际机构为前两项））
近年来，自动驾驶汽车领域的学术研究在传感器技术、V2X通信、安全、决策、控制甚至法律和标准化规则等多个主题方面都达到了很高的水平。除了经典的控制设计方法外，人工智能和机器学习方法几乎存在于所有这些领域。研究的另一部分集中在运动规划的不同层次，如战略决策，轨迹规划和控制。机器学习本身已经开发了广泛的技术，本文描述了其中一个领域，深度强化学习（DRL）。本文提供了深入了解分层运动规划问题，并介绍了DRL的基础知识。设计这样一个系统的主要元素是环境的建模、建模抽象、状态和感知模型的描述、适当的奖励以及底层神经网络的实现。本文介绍了车辆模型，模拟的可能性和计算要求。不同层次的战略决策和观察模型，例如，提出了连续和离散状态表示、基于网格和基于相机的解决方案。本文调查了根据自动驾驶的不同任务和级别系统化的最新解决方案，例如车辆跟随，车道保持，轨迹跟随，合并或在密集交通中驾驶。最后，开放的问题和未来的挑战进行了讨论。
2020-01-30 cs.LG cs.SY eess.SY
On Infusing Reachability-Based Safety Assurance within Planning Frameworks for Human-Robot Vehicle Interactions
Stanford University（斯坦福大学）；Simon Fraser University（西蒙弗雷泽大学）
行动预期、意图预测和主动行为都是交互式场景中自动驾驶策略的理想特征。然而，最重要的是确保道路安全--这样做的一个关键挑战是在不过度影响规划者表现的情况下考虑人类驾驶员行为的不确定性。本文介绍了一种在自主车辆控制栈内操作的最小干预安全控制器，其作用是确保与外部控制的（例如，人驱动的）对应物，同时考虑诸如道路边界墙的静态障碍物。我们利用可达性分析来构建一个实时（100 Hz）控制器，该控制器具有双重作用：（i）使用模型预测控制从更高级别的规划算法跟踪输入轨迹，以及（ii）通过保持无碰撞逃逸机动的可用性作为持久约束来确保安全性，而不管其他汽车未来采取什么行动。一个全尺寸的线控转向平台用于进行交通交织实验，其中两辆车，最初并排，必须在有限的时间和距离内交换车道，模拟汽车合并到/关闭高速公路。我们证明，通过我们的控制堆栈，自动驾驶汽车能够避免碰撞，即使另一辆车违背规划者的期望并采取危险行动，无论是不小心还是有意碰撞，否则偏离计划轨迹的程度最小，以保持安全。
2020-12-06 cs.RO cs.SY eess.SY
A Simulation Framework with Guaranteed Error Bounds for Safety and Fuel-Efficiency Analysis of Vehicle Platoons
Shibaura Institute of Technology（芝浦工业大学）
提出基于仿真的方法研究车辆编队安全问题，通过分析跨控制参数的最小车间距，利用提升状态表示和微分不等式推导，给出选仿真时间的方法，还扩展到燃油效率分析并举例说明。
2026-07-07 cs.SY eess.SY math.OC
On Infusing Reachability-Based Safety Assurance within Probabilistic Planning Frameworks for Human-Robot Vehicle Interactions
Department of Aeronautics and Astronautics（航空与航天系）；Department of Mechanical Engineering（机械工程系）；School of Computing Science（计算科学学院）
本文提出一种最小干预的安全控制器，用于确保自动驾驶车辆与外部控制车辆的碰撞自由交互，通过实时控制器实现轨迹跟踪和安全保证，展示了在交通交织实验中自动驾驶车辆在对手车辆违反规划预期时仍能避免碰撞。
2018-12-29 cs.RO cs.SY eess.SY
