Improving safety in mixed traffic: A learning-based model predictive control for autonomous and human-driven vehicle platooning
University of Waterloo（滑铁卢大学）；ShanghaiTech University（上海科技大学）
本文针对混合交通编队安全问题，提出结合第一性原理与高斯过程的HV行为预测模型，并设计GP-MPC控制策略，显著提升跟驰安全性与效率。
2024-04-02 cs.RO
Safety-Aware Human-Lead Vehicle Platooning by Proactively Reacting to Uncertain Human Behaving
Tongji University（同济大学）；Hunan University（湖南大学）；Dazhuo Intelligent Technology Company（大卓智能科技公司）
针对人领航编队中人类驾驶员不确定行为导致的安全问题，提出基于随机模型预测控制的控制器，预测驾驶意图，在振荡交通和急刹车场景下分别提升感知与实际安全性，并具备实时性。
2025-03-27 cs.RO
A Modeled Approach for Online Adversarial Test of Operational Vehicle Safety (extended version)
Ohio State University（俄亥俄州立大学）
运行车辆安全性的基于ESTO的测试提出了一组主要的其他车辆（ESTO）轨迹，这些轨迹试图迫使主体车辆（SV）进入特定的安全关键情况。目前的场景大多是（i）运动学驱动的：受人类驾驶员碰撞数据的启发，（ii）确定性的：运动轨迹是预先确定的，并且与SV响应无关，以及（iii）过度简化：在抽象的运动规划级别执行的有限动作集上定义。这种基于MIMO的测试（i）缺乏严重性保证，（ii）具有预定义的机动，使得具有智能驾驶策略的SV容易进行测试，以及（iii）在以有限且昂贵的测试工作产生安全关键实例方面效率低下。我们提出了一个模型驱动的在线反馈控制政策，多个POV传播有效的对抗轨迹，同时尊重交通规则和其他问题制定为一个容许的状态-动作空间。该方法是制定在一个锚模板层次结构，与模板模型规划诱导理论SV捕获保证标准假设下。然后，通过应用于整个系统或锚模型的较低级别控制器来跟踪计划的对抗轨迹。该方法的有效性说明通过各种模拟的例子与SV控制的参数化自动驾驶政策或人类司机。
2021-05-20 cs.RO
Demonstrations of Cooperative Perception: Safety and Robustness in Connected and Automated Vehicle Operations
The University of Sydney（悉尼大学）；Cohda Wireless（科达无线）
协同感知（cooperative perception）或集体感知（collective perception，CP）是智能交通系统（intelligent transportation systems，ITS）中的一项新兴技术。它使ITS站（ITS-S）能够通过车辆对X（V2X）通信与其他站共享其本地感知信息，从而提高道路运输的效率和安全性。在本文中，我们介绍了我们最近的进展，在发展的连接和自动驾驶汽车（CAV）和智能路边单元（IRSU）。我们提出了三个不同的实验，以证明在智能基础设施中使用CP服务，以提高对弱势道路使用者（VRU）的认识，从而提高CAV在各种交通场景中的安全性。我们在实验中证明，联网车辆（CV）可以“看到”拐角处的行人。更重要的是，我们展示了CAV如何自主和安全地与步行和跑步的行人进行交互，仅依赖于IRSU通过车辆到基础设施（V2I）通信提供的CP信息。这是仅使用CP信息的城市车辆自动化的首批演示之一。我们还解决在文件中的集体感知信息（CPM）从IRSU接收的处理，并通过管道的CP信息坐标变换的不确定性，多个道路使用者跟踪，并最终在CAV的路径规划/决策。实验结果是通过手动驾驶CV、全自主CAV和一个装有视觉和激光传感器以及道路用户跟踪系统的IRSU获得的。
2021-01-14 cs.RO
Cybersecurity of Teleoperated Quadruped Robots: A Systematic Survey of Vulnerabilities, Threats, and Open Defense Gaps
Department of Informatics, Bioengineering, Robotics；Systems Engineering (DIBRIS) University of Genoa Genoa, Italy
本文系统性调查了远程操控四足机器人面临的网络安全威胁与防御缺口，提出了六层攻击分类法及技术成熟度分析，为安全防护提供指导。
2026-02-26 cs.CR cs.RO cs.SY
Toward Increased Airspace Safety: Quadrotor Guidance for Targeting Aerial Objects
Carnegie Mellon University（卡内基梅隆大学）
随着商用无人机（UAV）市场的蓬勃发展，在受保护或敏感空域中发现的小型遥控或自主飞机越来越多。移除这些飞机的现有解决方案要么是军用级的，对国内使用来说太具破坏性，要么是由在国内高调案例中被证明无效的令人不安的遥控反无人机车辆组成。在这项工作中，我们研究了使用四旋翼自主瞄准半静止和移动的空中物体，很少或没有先验知识的目标的飞行特性。制导和控制命令仅由机载单目摄像机提供的信息生成。我们从文献中的导弹制导的灵感，并证明了最佳的制导方法实施的四旋翼，但不能使用的导弹。结果首次通过命中成功和追求持续时间与各种方法。最后，我们介绍了CMU Team Tartan在MBZIRC 2020挑战1比赛中的参赛作品，展示了简单的视线引导方法在结构化比赛环境中的有效性。
2021-07-04 cs.RO
Behavior Trees in Functional Safety Supervisors for Autonomous Vehicles
Institut de Robòtica i Informàtica Industrial (CSIC-UPC)（机器人与工业信息研究所（西班牙国家研究委员会-加泰罗尼亚理工大学））；Universitat Politècnica de Catalunya-BarcelonaTech（加泰罗尼亚理工大学（巴塞罗那科技学院））；Renault Group（雷诺集团）
本文提出一种基于行为树并符合 ISO 26262 的实时功能安全监督架构，用于在 SAE 3 级自动驾驶车辆中检测危险并确保安全合规。
2024-10-03 cs.RO cs.SY eess.SY
Safety-Critical Control of Nonholonomic Vehicles in Dynamic Environments using Velocity Obstacles
Norwegian University of Science and Technology（挪威科技大学）；Norwegian Defence Research Establishment（挪威国防研究机构）；California Institute of Technology（加州理工学院）
针对动态环境中非完整车辆避碰易停车倒车的问题，提出基于速度障碍的CBF控制方案，分离速度与转向控制以保持前进安全，经理论与仿真验证有效。
2023-10-01 cs.RO cs.SY eess.SY
Vehicle-in-Virtual-Environment (VVE) Method for Developing and Evaluating VRU Safety of Connected and Autonomous Driving with Focus on Bicyclist Safety
针对自动驾驶VRU安全研究存在的避撞系统缺失、延迟容忍策略研究不足、测试方法不规范等问题，本项目应用VVE方法，依托ADS自动转向与制动开发VRU安全功能，第二年报告聚焦优化上年成果并兼顾骑行者安全。
2025-08-30 cs.RO cs.SY eess.SY
Multi-Adversarial Safety Analysis for Autonomous Vehicles
University of California - Berkeley（加州大学伯克利分校）
这项工作正在进行中，考虑在多智能体系统的自动驾驶领域的可达性为基础的安全分析。我们制定的安全问题的汽车以下的情况下，作为一个差分游戏，并研究如何不同的建模策略产生非常不同的行为，无论在其他情况下的策略的有效性。鉴于现实生活中的驾驶场景的性质，我们提出了一个建模策略，在我们的配方，占代理之间的微妙的相互作用，并比较其哈密顿结果与其他基线。我们的配方鼓励减少保守性的Hamilton-Jacobi安全分析，以提供更好的安全保证航行。
2021-12-29 cs.RO cs.SY eess.SY
Learning Autonomous Vehicle Safety Concepts from Demonstrations
NVIDIA（英伟达）；University of Washington（华盛顿大学）；Stanford University（斯坦福大学）
评估自动驾驶车辆（AV）的安全性取决于周围代理的行为，这些行为可能受到环境背景和非正式定义的驾驶礼仪等因素的严重影响。一个关键的挑战是在确定一个最低限度的假设是什么构成合理的可预见的行为，其他道路使用者的发展自动驾驶安全模型和技术。在本文中，我们提出了一种数据驱动的AV安全设计方法，首先从数据中学习“合理”的行为假设，然后使用这些学习到的行为假设合成AV安全概念。我们借用控制理论的技术，即高阶控制障碍函数和Hamilton-Jacobi可达性，以提供归纳偏差，以帮助我们的方法的可解释性，可验证性和易处理性。在我们的实验中，我们使用从高速公路交通编织场景中收集的演示来学习AV安全概念，将我们所学的概念与现有的基线进行比较，并展示其在评估真实驾驶日志中的功效。
2022-10-06 cs.RO cs.SY eess.SY
Runtime Safety Assurance for Learning-enabled Control of Autonomous Driving Vehicles
Southern University of Science and Technology（南方科技大学）；Research Institute for Trustworthy Autonomous Systems（可信自主系统研究院）
利用基于机器学习的控制器为自动驾驶汽车（AV）系统提供安全保障仍然是一个具有挑战性的问题。在这项工作中，我们提出了Simplex-Drive，这是一个框架，可以实现自动驾驶汽车的机器学习控制器的运行时安全保证。所提出的Simplex驱动器包括一个未经验证的基于深度强化学习（DRL）的高级控制器（AC），在复杂场景中实现理想的性能，一个基于速度障碍（VO）的基线安全控制器（BC），具有可证明的安全保证，以及一个经过验证的模式管理单元，监控运行状态，并根据安全相关条件在AC和BC之间切换控制权限。我们提供了一个形式化的正确性证明的Simplex驱动器，并在密集的交通场景中进行换道的案例研究。仿真实验结果表明，即使日间行车限制策略可能导致偏离安全状态，单纯形驱动器也能在不牺牲控制性能的情况下始终确保运行安全。
2021-09-28 cs.RO cs.SY eess.SY
A Diversity Analysis of Safety Metrics Comparing Vehicle Performance in the Lead-Vehicle Interaction Regime
Transportation Research Center Inc.（运输研究中心有限公司）；National Highway Traffic Safety Administration（美国国家公路交通安全管理局）
本文以前车交互运行设计域为统一比较基准，分析了1967至2022年间33个基础指标及51个变体的构造与经验性能差异，指出安全指标在概念接受和经验论证上均存在挑战。
2023-06-26 cs.RO cs.SY eess.SY
Spatiotemporal Tube-Based Safety-Certificate for Autonomous Navigation of Articulated Vehicles
针对铰接式车辆自主导航的狭窄路线机动挑战，提出基于时空管的规划方法，确保挂车处于道路走廊内，经仿真验证可提供路线安全证书。
2026-08-17 cs.RO cs.SY eess.SY
Control Barrier Functions and Input-to-State Safety with Application to Automated Vehicles
University of Michigan（密歇根大学）；California Institute of Technology（加州理工学院）；Plus.ai Inc.（智加科技公司）
平衡安全性和性能是现代控制系统设计中的主要挑战之一。此外，在不引起降低性能的不必要的保守性的情况下，稳健地确保安全性至关重要。在这项工作中，我们提出了一个建设性的方法，通过控制障碍函数（CBF）的安全关键控制综合。通过CBF过滤手工设计的控制器，我们能够获得高性能的行为，同时提供严格的安全保证。在干扰面前，鲁棒的安全性和性能是通过输入状态安全（ISSf）的概念同时实现的。我们采取了一个教程的方法，通过开发CBF设计方法与倒立摆的例子并行，使设计过程中的挑战和敏感性具体。为了建立所提出的方法的能力，我们考虑通过CBF的连接自动驾驶汽车（CAV）的形式的8级卡车没有拖车的安全关键设计的实际设置。通过实验，我们看到了未建模的干扰在卡车的驱动系统上的CBF提供的安全保证的影响。我们描述这些干扰，并使用ISSf，产生一个强大的控制器，实现安全而不让步的性能。我们评估我们的设计都在模拟，并首次在汽车系统，实验。
2022-06-07 cs.RO cs.SY eess.SY
A Finite-Sampling, Operational Domain Specific, and Provably Unbiased Connected and Automated Vehicle Safety Metric
Ohio State University（俄亥俄州立大学）
互联自动化车辆安全指标通过分析涉及SV与其他动态道路用户和环境特征之间的交互的数据来确定主体车辆（SV）的性能。当数据集仅包含从自然混合交通驾驶环境中收集的有限样本集时，通过指定SV在哪个域中预计是安全的以及SV在该域中的统计安全性如何，预计度量将安全评估结果从观察到的有限样本推广到未观察到的情况。然而，据我们所知，现有的安全性指标都不能证明上述属性具有特定于操作领域的、保证完整的和可证明无偏见的安全性评价结果。在本文中，我们提出了一种新的安全性度量，涉及$α$ -形状和$ε$ -几乎鲁棒前向不变集来表征SV的几乎安全的可操作域和概率SV保持在安全域内，分别。所提出的方法的经验表现在几个不同的操作设计领域通过一系列的情况下，涵盖了各种保真度水平（现实世界和模拟器），驾驶环境（高速公路，城市和十字路口），道路使用者（汽车，卡车和行人），和SV驾驶行为（人类驾驶员和自动驾驶算法）。
2022-02-02 cs.RO cs.SY eess.SY
Power-based Safety Layer for Aerial Vehicles in Physical Interaction using Lyapunov Exponents
ETH Zurich（苏黎世联邦理工学院）
随着自主系统性能的提高，安全问题也随之出现，特别是在非结构化环境中运行时。为了解决这些问题，这项工作提出了一个安全层的机械系统，检测和响应外部干扰引起的不稳定动态。安全层是独立实现的，并且在已经存在的标称控制器（如姿势或扳手跟踪）之上，并且当系统的响应将导致不稳定时限制功率流。该方法基于系统误差动态的最大李雅普诺夫指数（LLE）的计算，该指数表示动态的发散或收敛速率的度量。通过主动计算该度量，可以迅速检测到发散的和可能危险的系统行为。然后，LLE与控制障碍函数（CBF）结合使用，对加加速度控制系统施加功率限制约束。在全方位微型飞行器（OMAV）的自由飞行和互动任务的实验验证所提出的架构。
2022-05-25 cs.RO cs.SY eess.SY
Safety Verification for Evasive Collision Avoidance in Autonomous Vehicles with Enhanced Resolutions
New York University（纽约大学）；North Carolina A&T State University（北卡罗来纳农工州立大学）；University of Notre Dame（圣母大学）；Qualcomm（高通公司）；Torc Robotics（托尔克机器人公司）；Glasgow Caledonian University（格拉斯哥卡里多尼亚大学）；American Axle & Manufacturing（美国车桥制造公司）；Gatik AI（加蒂克人工智能公司）
本文针对自动驾驶规避最小风险机动系统提出系统的危害分析、风险评估与损失评价方法，并引入缓释完整性等级以验证最小风险机动功能，从而提升主动安全功能的可靠性。
2024-11-05 cs.RO cs.SY eess.SY
Use-Inspired Mobile Robot to Improve Safety of Building Retrofit Workforce in Constrained Spaces
Institute for Experiential Robotics, Northeastern University（东北大学体验式机器人研究所）；Lincoln Laboratory, Massachusetts Institute of Technology（麻省理工学院林肯实验室）；Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）；Amazon Scholar（亚马逊学者）；Northeastern University（东北大学）；Amazon.com, Inc.（亚马逊公司）
本文提出PARIS遥操作移动机械臂系统，通过建图导航、隔热检测与气密密封三项功能，解决受限空间中建筑改造作业的安全与效率问题，并获美国能源部E-ROBOT奖第一阶段优胜。
2024-11-25 cs.RO
Towards Data-Driven Synthesis of Autonomous Vehicle Safety Concepts
NVIDIA（英伟达）；University of California, Berkeley（加州大学伯克利分校）
随着安全关键型自动驾驶汽车（AV）很快将在我们的社会中普及，最近在整个行业和学术界提出了许多用于可信AV部署的安全概念。然而，就适当的安全概念达成共识仍然是一项难以实现的任务。在本文中，我们主张使用汉密尔顿-雅可比（HJ）的可达性作为一个统一的数学框架，比较现有的安全概念，并通过这个框架的元素，提出了方法来定制安全概念（从而扩大其适用性）的情况下，在数据驱动的方式对代理行为的隐式期望。具体来说，我们表明，（一）现有的主要安全概念可以嵌入在HJ可达性框架，从而使一个共同的语言比较和对比建模假设，和（ii）HJ可达性可以作为一个归纳的偏见，有效地推理，在学习的背景下，两个关键的，但往往被忽视的安全方面：责任和上下文依赖。
2022-06-20 cs.LG cs.RO cs.SY
An imminent collision monitoring system with safe stopping interventions for autonomous aerial flights
Carnegie Mellon University（卡内基梅隆大学）
避免冲突需要在规划时间范围方面进行权衡。根据规划者的不同，在地图更新的不确定环境中，安全并不总是能得到保证。为了缓解规划者导致车辆进入碰撞状态或车辆到达没有轨迹可行的点的情况，我们提出了一种连续的碰撞检查算法。即将发生碰撞检查系统持续监控车辆安全性，并规划安全轨迹，引导车辆在观察地图内停止。我们在现实生活中的实验中测试了我们提出的管道以及遥控导航，并且在模拟的随机森林和仓库环境中，我们表明，使用我们的方法，我们能够以至少90%的成功率减轻碰撞。
2022-06-17 cs.RO
Autonomous Racing with Multiple Vehicles using a Parallelized Optimization with Safety Guarantee using Control Barrier Functions
University of California, Berkeley（加州大学伯克利分校）；University of Minnesota-Twin Cities（明尼苏达大学双城分校）
本文提出了一种新的规划和控制策略，与多辆车在赛车的情况下竞争。所提出的比赛策略在两种模式之间切换。当没有周围车辆时，基于学习的模型预测控制（MPC）轨迹规划器用于保证本车实现更好的单圈计时性能。当自我车辆与周围车辆竞争超车时，基于优化的规划器通过并行计算生成多个动态可行的轨迹。每个轨迹优化下的MPC制定不同的同伦Bezier曲线参考路径横向周围的车辆之间。在这些不同的同伦轨迹中选择时间最优的轨迹，并使用具有控制障碍函数约束的底层MPC控制器来避免障碍物，以保证系统的安全关键性能。所提出的算法具有生成无碰撞轨迹并跟踪它们的能力，同时以稳定的低计算复杂性增强单圈计时性能，在自主赛车环境中的计时和性能方面优于现有方法。为了证明我们的赛车策略的性能，我们模拟多个随机生成的移动车辆在赛道上，并测试自我车辆的超车动作。
2022-03-27 cs.MA cs.RO 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
Intelligent Electric Power Steering: Artificial Intelligence Integration Enhances Vehicle Safety and Performance
Mercedes-Benz Research and Development North America（梅赛德斯-奔驰北美研发中心）
本文研究人工智能与电动助力转向（EPS）系统的集成，梳理AI驱动EPS的技术进展与应用案例，分析其在提升车辆安全性、适应性等方面的优势，同时指出相关挑战并提出未来在自动驾驶、网联汽车领域的研究落地方向。
2024-12-11 cs.AI cs.RO cs.SY
Control-Barrier-Aided Teleoperation with Visual-Inertial SLAM for Safe MAV Navigation in Complex Environments
Learning Systems and Robotics Lab, School of Computation, Information and Technology, Technical University of Munich（学习系统与机器人实验室，计算、信息与技术学院，慕尼黑技术大学）；Smart Robotics Lab, School of Computation, Information and Technology, Technical University of Munich（智能机器人实验室，计算、信息与技术学院，慕尼黑技术大学）；Smart Robotics Lab, Department of Computing, Imperial College London（智能机器人实验室，计算系，伦敦帝国理工学院）；Munich Institute of Robotics and Machine Intellig（慕尼黑机器人与机器智能研究所）
本文提出了一种结合控制屏障函数与视觉-惯性SLAM的MAV安全导航系统，通过感知-动作闭环实现复杂环境中的安全遥控操作。
2024-03-07 cs.RO
Input-to-State Safety with Input Delay in Longitudinal Vehicle Control
California Institute of Technology（加州理工学院）；University of Michigan（密歇根大学）；Budapest University of Technology and Economics（布达佩斯技术与经济大学）
讨论了在前一辆联网车辆后面行驶的联网自动卡车的安全纵向控制。基于控制障碍函数理论和预测器反馈设计了一种控制器，该控制器以卡车的响应时间作为输入延迟，以其动力学模型的不确定性作为输入干扰，实现了可证明的安全、无碰撞行为。所提出的控制器相比，忽略延迟或处理的延迟干扰的控制设计的好处是由数值模拟。
2022-11-18 cs.RO cs.SY eess.SY
Method for Comparison of Surrogate Safety Measures in Multi-Vehicle Scenarios
Johannes Kepler University Linz（约翰内斯·开普勒林茨大学）
本文提出一种针对高速公路三车变道等多车辆场景的替代安全度量比较方法，通过统计分析揭示安全距离如何向前车与变道车辆之间的冲突偏移。
2023-04-18 cs.RO
Integrating Naturalistic Insights in Objective Multi-Vehicle Safety Framework
Johannes Kepler University Linz（约翰内斯·开普勒大学林茨分校）
本文提出一个整合客观安全指标与主观感知的多车辆安全评估框架，在高速跟车场景中利用自然驾驶数据验证，综合多指标及全周围车辆信息时性能卓越。
2025-03-27 cs.RO
Probabilistic Safety-Assured Adaptive Merging Control for Autonomous Vehicles
Carnegie Mellon University（卡内基梅隆大学）
自动驾驶汽车在不同的场景中与人类驾驶员互动时面临着巨大的挑战。开发具有安全保证的控制方法，同时执行与不确定性的相互作用是一个正在进行的研究目标。在本文中，我们提出了一个实时的安全控制框架，使用双层优化与控制障碍函数（CBF），使自主自我车辆与人类驾驶的汽车在坡道合并的情况下进行交互，具有一致的安全保证。为了明确地解决运动的不确定性，我们提出了一种新的扩展控制障碍函数的概率设置与可证明的机会约束的安全性，并分析我们的控制设计的可行性。制定的双层优化框架首先需要选择自我车辆的最佳驾驶风格的安全性和主要目标，然后最小限度地修改标称控制器的情况下，二次规划的概率安全约束。这允许适应不同的驾驶策略，并为自我车辆的安全控制器提供形式上可证明的可行性保证。实验结果表明，我们所提出的方法的有效性。
2021-04-29 cs.RO
Implementation of Road Safety Perception in Autonomous Vehicles in a Lane Change Scenario
Johannes Kepler University Linz（林茨约翰内斯·开普勒大学）
理解人类驾驶行为对于开发自动驾驶汽车算法至关重要。然而，大多数低级自动化，例如高级驾驶辅助系统（ADAS）中的自动化，都是基于客观的安全措施，这些措施并不总是与驾驶员认为安全的内容及其相应的驾驶行为保持一致。本文分析了在主观感知和客观安全措施之间寻找桥梁的问题，特别关注换道场景。结果表明，什么是被认为是安全的驾驶员和客观的指标，这取决于具体的机动和位置的司机之间的统计显着差异。
2022-11-02 cs.RO
Reachability-based Safe Planning for Multi-Vehicle Systems withMultiple Targets
University of California, Berkeley（加州大学伯克利分校）
最近，人们对将无人机引入广泛的应用领域产生了很大的兴趣，这使得确保多车辆系统的安全性成为一个非常关键的问题。Hamilton-Jacobi（HJ）可达性是分析低维系统车辆安全性的一个很有前途的工具。然而，可达性遭受的灾难的维度，使其直接应用到两个以上的车辆棘手。最近的工程使其易于处理，以保证安全的3和4辆车的可达性。然而，能够保证安全的车辆数量仍然很少。在本文中，我们提出了一种新的可达性为基础的方法，保证安全的任何数量的车辆，而车辆完成其目标，有效地访问多个目标，给定任何K-车辆防撞算法，其中K通常可以是一个小的数字。我们通过开发一种方法来实现这一目标，有效地将车辆分组为集群和控制策略，保证任何集群内和跨集群对车辆的安全。我们所提出的方法是可扩展的大量的车辆与小的计算开销。我们证明了我们提出的方法与模拟15辆车。此外，我们贡献了一个更一般的解决方案，从过去最近的工作3车辆避碰问题，表明以前的工作是一个特殊的情况下，我们提出的推广，并证明其有效性。
2021-08-05 cs.RO
Autonomous Vehicles Meet the Physical World: RSS, Variability, Uncertainty, and Proving Safety (Expanded Version)
Edge Case Research；Intel（英特尔）
责任敏感安全（RSS）模型为车辆行为提供了可证明的安全性，例如最小安全跟车距离。然而，处理最坏情况下的可变性和不确定性可能会显着降低车辆的许可，在某些情况下，安全性不能得到保证。深入挖掘牛顿力学，我们确定了考虑车辆状态，道路几何形状和环境参数导致的复杂性。如果这些参数在诸如紧急制动的防撞操纵过程中发生变化，则会出现特别具有挑战性的情况。作为我们分析的一部分，我们扩大了原来的RSS以下距离方程，以考虑到边缘的情况下，涉及潜在的碰撞中途通过制动过程。此外，我们还提出了一种微操作设计域（μODD）方法来细分操作空间，作为提高许可度的一种方式。将安全性的概率方面限制在μODD转换允许在假设系统已经转换到正确的μODD的情况下证明安全性（如果可能）。每个μODD还可以用于对系统故障响应进行编码，获得咨询信息（例如，从车辆到车辆通信），并预测可能的紧急情况。
2019-10-31 cs.LG cs.RO
AI2-Active Safety: AI-enabled Interaction-aware Active Safety Analysis with Vehicle Dynamics
AI2
本文提出一种基于AI的交互感知主动安全分析框架，结合自行车模型与超图AI模型预测轨迹，通过随机常微分方程求解车辆间距并生成高保真TTC分布，为复杂交通环境提供系统性主动安全分析方法。
2025-05-01 cs.AI cs.RO
Engineering Psychological Safety in Autonomous Vehicles: A Systems-Theoretic Framework for Psychological Safety in Autonomous Vehicles and its Validation in Real-World Scenarios
Capgemini Engineering（凯捷工程）；University of Oxford（牛津大学）；University of the West of England（西英格兰大学）
本研究提出并验证了扩展STAMP的心理安全系统理论框架，开发AV-PsySafe危险分析方法，经真实场景验证可有效评估自动驾驶汽车心理风险，为以人为本的AV开发提供支撑。
2026-08-20 cs.HC 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
Formal Safety Guarantees for Autonomous Vehicles using Barrier Certificates
本文提出一种结合屏障证书与时间到碰撞度量的形式验证安全框架，通过SMT求解器和自适应控制机制，提升自动驾驶车辆的安全性和可解释性。
2026-01-08 cs.AI cs.RO cs.SE
Redefining Safety for Autonomous Vehicles
Carnegie Mellon University（卡内基梅隆大学）；University of Miami（迈阿密大学）
针对现有自动驾驶汽车安全定义及标准无法覆盖无人驾驶带来的新安全挑战的问题，提出纳入开放环境、伦理法律约束等考量的核心系统安全概念更新定义，可为其他自主系统安全术语构建提供参考。
2024-08-12 cs.AI cs.RO
Zhuyi: Perception Processing Rate Estimation for Safety in Autonomous Vehicles
Harvard University（哈佛大学）；NVIDIA Corporation（英伟达公司）
自动驾驶汽车（AV）在复杂场景中对高精度感知的处理要求可能超过车载计算机提供的资源，从而降低安全性和舒适性。本文提出了一种传感器帧处理速率（FPR）估计模型，朱毅，量化的最低安全FPR连续驾驶场景。部署后，可以使用“朱易”进行在线安全检查，并确定工作的优先级。使用多摄像头最先进的工业AV系统进行的实验表明，Zhuyi估计的FPR是保守的，但与测试场景中默认的30-FPR系统相比，该系统可以通过处理36%或更少的帧来保持安全性。
2022-05-06 cs.AI cs.RO
Towards Safety-Aware Computing System Design in Autonomous Vehicles
University of California San Diego（加州大学圣迭戈分校）
最近，自动驾驶的发展引发了汽车制造商和技术公司之间的竞争。低水平的自动化汽车已经在商业上可用。但是，在没有人类监控的情况下自动驾驶的高度自动化车辆仍处于起步阶段。这种自动驾驶汽车（AV）依赖于汽车中的计算系统来解释环境并做出驾驶决策。因此，计算机系统的设计是必不可少的，特别是在提高驾驶安全的实现。然而，据我们所知，到目前为止，还没有明确的指导方针存在关于安全意识的AV计算系统和架构设计。为了了解AV计算系统的安全要求，我们通过在各种位置、道路条件和交通模式下运行工业4级自动驾驶车队进行了实地研究。现场研究表明，传统的计算系统性能指标，如尾部延迟，平均延迟，最大延迟，超时，不能完全满足AV计算系统设计的安全要求。为了解决这个问题，我们提出了一个“安全分数”作为衡量AV计算系统设计的安全水平的主要指标。此外，我们提出了一个感知延迟模型，它可以帮助建筑师估计给定的架构和系统设计的安全分数，而无需在AV中进行物理测试。我们通过开发和评估安全感知AV计算系统计算硬件资源管理方案来演示我们的安全评分和延迟模型的使用。
2019-05-22 cs.NE cs.RO
Probabilistic Safety Verification for an Autonomous Ground Vehicle: A Situation Coverage Grid Approach
Dept. of Computer Science University of York York, United Kingdom（计算机科学系 英国约克大学）
本文提出一种基于情境覆盖网格、概率建模与模型检验的自主地面车辆安全验证新方法，有效识别高风险情境并提供定量安全保证，支持系统稳健部署。
2025-07-16 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
Evaluation of automated driving system safety metrics with logged vehicle trajectory data
University of Michigan（密歇根大学）；Tsinghua University（清华大学）；University of Michigan Transportation Research Institute（密歇根大学交通研究所）
本研究提出一种利用记录的车辆轨迹数据评估自动驾驶系统实时安全指标的框架，消除了行为假设带来的预测误差，实现了对TTC、PCM和MPrISM等指标的公平系统比较，并支持失效分析与改进。
2024-01-03 cs.RO
Learning-Based Modeling of Human-Autonomous Vehicle Interaction for Improved Safety in Mixed-Vehicle Platooning Control
University of Waterloo（滑铁卢大学）；ShanghaiTech University（上海科技大学）
本文提出结合第一性原理与高斯过程学习的混合建模方法，并基于此开发GP-MPC控制策略，通过稀疏GP和动态预测显著降低计算时间，在混合车辆编队中实现更安全的车距和更高效的行驶。
2024-04-06 cs.RO
Developing a Safety Management System for the Autonomous Vehicle Industry
Waymo（Waymo公司）；Science Foundation AZ/AZ Commerce Authority（亚利桑那科学基金会/亚利桑那商业管理局）；dss+（dss+公司）；Arizona State University（亚利桑那州立大学）
本文针对自动驾驶汽车行业与航空业的差异，提出基于稳健分类体系开发和验证标准的AV行业安全管理体系框架，以统一管理安全风险并推动监管成熟。
2024-11-21 cs.RO
SAINT-ACC: Safety-Aware Intelligent Adaptive Cruise Control for Autonomous Vehicles Using Deep Reinforcement Learning
Department of Computer Science, University of Memphis（孟菲斯大学计算机科学系）；University of Memphis（孟菲斯大学）
提出了一种新的自适应巡航控制（ACC）系统，即SAINT-ACC：基于深度强化学习（RL）的{S} approximate-{A}ware {Int}elligent {ACC}系统（SAINT-ACC），旨在通过动态适应车间距来实现交通效率、驾驶安全性和驾驶舒适性的同时优化。提出了一种基于双强化学习Agent的交通效率优化方法，该方法基于从动态变化的复杂交通环境中采集的宏观和微观交通信息，通过有效控制驾驶安全模型参数和车间距，寻求和调整交通效率和驾驶安全/舒适性之间的最优平衡.通过对不同交通场景和渗透率的12，000多次模拟运行获得的结果表明，与最先进的方法相比，SAINT-ACC显著提高了交通流量、驾驶安全性和舒适性。
2021-09-24 cs.LG cs.RO
Predictive safety filter enhanced curriculum learning control for efficient vehicle dynamics controller
Shanghai Jiaotong University（上海交通大学）；Bosch Corporate Research（博世公司研究部）
该研究针对车辆动力学控制痛点，开发了预测安全滤波器增强的课程学习控制器，经Python-CarSim验证，其在多操纵工况下性能提升与可扩展性更优。
2026-08-11 cs.AI cs.RO
Interpretable Safety Validation for Autonomous Vehicles
自动驾驶的一个开放性问题是如何在仿真中验证自动驾驶车辆的安全性。自动化测试程序可以发现自主系统的故障，但这些故障可能由于其高维性而难以解释，并且可能不太可能以至于不重要。这项工作描述了一种方法，用于找到自治系统的可解释的故障。故障由人可以理解的信号时序逻辑表达式描述，并且被优化以产生具有高可能性的故障。我们的方法证明了自动驾驶汽车的安全验证的背景下，无保护的左转和人行横道与行人。与基线重要性采样方法相比，我们的方法发现了更多的故障，具有更高的可能性，同时保持可解释性。
2020-06-26 cs.LG cs.RO stat.ML
JaywalkerVR: A VR System for Collecting Safety-Critical Pedestrian-Vehicle Interactions
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
本文提出VR人在环模拟器JaywalkerVR，用于安全高效地采集罕见行人-车辆交互数据，并构建CARLA-VR数据集，使训练模型在位移误差和碰撞率上分别改善10.7%和4.9%。
2024-07-05 cs.RO
Behavioral Safety Assessment towards Large-scale Deployment of Autonomous Vehicles, Part I: Methodology
University of Michigan Transportation Research Institute（密歇根大学交通研究所）；University of Michigan（密歇根大学）；The University of Hong Kong（香港大学）；Laplace Intelligence（拉普拉斯智能）；Tsinghua University（清华大学）
针对传统功能安全方法不足，提出行为安全评估范式，通过行为能力测试和驾驶智能测试两个组件，系统评估自动驾驶车辆在交通环境中的安全行为。
2026-10-14 cs.RO
Virtual Roads, Smarter Safety: A Digital Twin Framework for Mixed Autonomous Traffic Safety Analysis
Zachry Department of Civil and Environmental Engineering, Texas A&M University（土木与环境工程系，德克萨斯A&M大学）；Department of Landscape Architecture and Urban Planning（景观建筑与城市规划系）
提出一个集成无人机激光雷达、CARLA、SUMO和PhysX的数字孪生平台，用于高保真模拟混合交通中自动驾驶与传统车辆的交互，以增强主动安全分析。
2025-04-24 cs.RO
Efficient Safety Testing of Autonomous Vehicles via Adaptive Search over Crash-Derived Scenarios
Rui Zhou（独立研究者）
针对自动驾驶车辆在安全关键场景下的测试效率问题，提出自适应大变邻域模拟退火算法（ALVNS-SA），结合真实碰撞数据库与黑盒系统，实现了84.00%的安全关键场景覆盖率，显著优于传统方法。
2025-08-07 cs.AI cs.RO
UAV-based Intelligent Information Systems on Winter Road Safety for Autonomous Vehicles
University of Oulu（奥卢大学）
针对冬季恶劣天气下车道宽度受限易引发自动驾驶汽车事故的问题，本研究提出含道路分割与宽度估算模型的方法，从无人机和自动驾驶汽车双视角获取信息，以提升自动驾驶汽车冬季路况下的适应与决策能力。
2024-06-18 cs.AI cs.CV cs.RO
Context-Aware Target Classification with Hybrid Gaussian Process prediction for Cooperative Vehicle Safety systems
University of Central Florida（中佛罗里达大学）；Hyundai America Technical Center, Inc.（现代美国技术中心公司）
车联网（V2X）通信已被提出作为一种潜在的解决方案，通过改善协调和消除非视线感知的障碍来提高自动驾驶汽车的鲁棒性和安全性。协同车辆安全（CVS）应用程序紧密依赖于底层数据系统的可靠性，由于其不同组件的固有问题，例如传感器故障或密集通信信道负载下V2X技术的性能低下，可能会导致信息丢失。特别地，信息丢失影响目标分类模块，并且随后影响安全应用性能。为了实现可靠和强大的CVS系统，减轻信息丢失的影响，我们提出了一个上下文感知目标分类（CA-TC）模块，结合基于混合学习的CVS系统预测建模技术。CA-TC由两个模块组成：上下文感知地图（CAM）和混合高斯过程（HGP）预测系统。因此，车辆安全应用程序使用来自CA-TC的信息，使其更加强大和可靠。CAM利用车辆路径历史、道路几何形状、跟踪和预测; HGP用于提供准确的车辆轨迹预测，以补偿数据丢失（由于通信拥塞）或传感器测量的不准确性。基于离线的真实世界数据，我们学习了一组有限的驾驶员模型，这些模型代表了车辆和驾驶员行为的联合动力学。我们将离线训练和在线模型更新与实时预测相结合，以考虑新的可能的驾驶员行为。最后，我们的框架进行了验证，使用模拟和现实的驾驶场景，以确认其在提高CVS系统的鲁棒性和可靠性的潜力。
2022-12-24 cs.AI cs.RO
Identification of Challenging Highway-Scenarios for the Safety Validation of Automated Vehicles Based on Real Driving Data
Technical University of Munich（慕尼黑工业大学）
为了成功推出自动驾驶汽车（AV），证明其安全性至关重要。由于开放的参数空间，可能会出现无限多的交通状况，这使得安全性证明成为一个未解决的问题。使用所谓的基于ARIO的方法，必须确定所有相关的测试场景。本文介绍了一种方法，发现特别具有挑战性的情况下，从真实的驾驶数据（\RDDwo），并评估其难度使用一种新的度量。从highD数据开始，使用分层聚类方法提取场景，然后使用基于规则的分类分配到九个预定义的功能场景之一。具体场景的后续评估的特点是，它独立于测试车辆的性能，因此对所有AV有效。以前的评估指标往往是基于场景的关键性，这是，然而，依赖于测试车辆的行为，因此只有条件适合提前找到“好”的测试用例。结果表明，这种新的方法减少了数量的特别具有挑战性的测试场景可以得到。
2020-08-26 cs.RO
