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
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
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
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
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
Disengagement Analysis and Field Tests of a Prototypical Open-Source Level 4 Autonomous Driving System
Professorship of Autonomous Vehicle Systems, TUM School of Engineering and Design, Technical University of Munich（自动驾驶车辆系统教授职位，慕尼黑技术大学工程与设计学院，技术大学慕尼黑）；Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所（MIRMI））
本文通过236公里混合交通环境测试，分析了开源四级自动驾驶系统脱轨原因，发现感知与规划故障占比高，脱轨率低，揭示了标准指标难以发现的鲁棒性问题。
2026-03-23 cs.RO
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
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
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
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
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
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
Autonomous Vehicles: Open-Source Technologies, Considerations, and Development
McMaster University（麦克马斯特大学）
自动驾驶汽车是传感器技术、人工智能（AI）、网络等许多领域进步的顶峰。本文将向读者介绍制造自动驾驶汽车的技术。它将专注于自动驾驶汽车开发的开源工具和库，使开发人员和研究人员更便宜，更容易参与该领域。所涉及的主题如下。首先，我们将讨论自动驾驶汽车中使用的传感器，并总结它们在不同环境、成本和独特功能下的性能。然后，我们将介绍同时定位与地图构建（SLAM）和每种模态的算法。第三，我们将回顾流行的开源驾驶模拟器，这是一种经济有效的训练机器学习模型和测试车辆软件性能的方法。然后，我们将重点介绍嵌入式操作系统，以及在选择嵌入式操作系统时的安全性和开发注意事项。之后，我们将讨论车对车（V2V）和车联网（IoV）通信，这是将网络技术与自动驾驶汽车融合以扩展其功能的领域。然后，我们将回顾车辆自动化的五个级别，商业和开源高级驾驶辅助系统及其功能。最后，我们将涉及该领域的主要制造和软件公司，他们的投资和合作伙伴关系。这些主题将使读者了解该行业，其技术，积极的研究以及开发人员可用于构建自动驾驶汽车的工具。
2023-02-14 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
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
Adaptive Stress Testing with Reward Augmentation for Autonomous Vehicle Validation
Stanford University（斯坦福大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
确定可能的故障场景是评估自动驾驶汽车系统的关键步骤。真实世界的车辆测试通常用于自动驾驶车辆验证，但成本和时间要求很高。因此，模拟驱动的方法，如自适应压力测试（AST）已被提出来帮助验证。AST将寻找最可能的故障场景的问题表述为马尔可夫决策过程，可以使用强化学习来解决。在实践中，AST倾向于发现故障不可避免的场景，并且倾向于重复发现系统的相同类型的故障。这项工作解决了这些问题，通过编码域相关的信息到搜索过程中。通过这种修改，AST方法发现了一个更大的和更有表现力的子集的故障空间相比，原来的AST制定。我们表明，我们的方法是能够识别有用的自动驾驶汽车政策的失败场景。
2019-08-06 cs.AI cs.LG 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
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
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
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
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
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
"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
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
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
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
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
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
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
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
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
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
