A Maneuver-based Urban Driving Dataset and Model for Cooperative Vehicle Applications
University of Central Florida（中佛罗里达大学）
自动驾驶的短期未来可以想象为一种混合场景，在这种场景中，自动驾驶和人类驾驶的车辆在同一环境中共存。为了解决这种道路配置的需求，许多技术解决方案，如车辆通信和预测控制的自动驾驶汽车已在文献中介绍。上述两种解决方案都依赖于人类驾驶员的驾驶数据。在这项工作中，我们调查了目前可用的驾驶数据集，并介绍了在我们的城市驾驶数据收集活动中收集的基于真实世界的驾驶数据集。我们还提供了一个模型，该模型将模式嵌入到特定的样本中。这种模型可以用于分类和预测目的。
2020-08-21 cs.RO eess.SP
High-level Decisions from a Safe Maneuver Catalog with Reinforcement Learning for Safe and Cooperative Automated Merging
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
强化学习（RL）最近被用于解决自动驾驶背景下具有挑战性的决策问题。然而，所提出的基于RL的策略的主要缺点之一是缺乏安全保证，因为它们努力减少预期的碰撞次数，但仍然容忍它们。在本文中，我们提出了一个有效的基于RL的决策管道，用于合并场景中的安全和合作自动驾驶。RL代理能够预测当前情况并提供高层决策，指定负责安全的低级计划器的操作模式。为了学习更通用的策略，我们提出了一个可扩展的RL架构的合并方案，是不敏感的环境配置的变化。根据我们的实验，建议RL代理可以有效地识别合作的司机从他们的车辆状态历史，并产生交互式操纵，从而更快，更舒适的自动驾驶。同时，由于规划器内部的安全约束，所有的机动都是无碰撞和安全的。
2021-07-15 cs.AI cs.RO
Graph-based Trajectory Prediction with Cooperative Information
Ulm University（乌尔姆大学）；Institute of Measurement, Control and Microtechnology（测量、控制与微技术研究所）
本文提出一种基于图的神经网络架构，利用协作信息提升自动驾驶中复杂交通情境下的轨迹预测性能，并验证了其在有协作数据、无协作数据及数据不准确情况下的有效性。
2023-10-24 cs.CV cs.RO
Cooperative Decision-Making for CAVs at Unsignalized Intersections: A MARL Approach with Attention and Hierarchical Game Priors
Tongji University（同济大学）；University of Cambridge（剑桥大学）；The Hong Kong Polytechnical University（香港理工大学）
针对无信号交叉口多CAV协同决策难题，本文提出融合注意力机制、分层博弈先验与安全检查员的MA-GA-DDPG算法，并经仿真与硬件在环验证其安全、效率和舒适性优势。
2024-09-09 cs.RO
Interaction-aware Decision Making with Adaptive Strategies under Merging Scenarios
University of California, Berkeley（加州大学伯克利分校）；Honda Research Institute（本田研究所）
为了在合并场景下安全有效地驾驶，自动驾驶汽车应该了解周围环境，并通过与其他道路参与者的交互来做出决策。此外，当自动驾驶车辆与具有不同合作水平的驾驶员交互时，应采取不同的策略。车辆是否在合并车道或主车道上也会影响驾驶操纵，因为驾驶员在有通行权时的行为与其他情况下不同。许多传统的方法已经被提出来解决合并场景下的决策问题。然而，这些工作要么是无法建模复杂的相互作用，或需要实现手工设计的规则，不能正确处理现实世界中的不确定性。在本文中，我们提出了一种交互感知决策与自适应策略（IDAS）的方法，可以让自动驾驶汽车与其他司机协商的道路，利用他们的合作下合并的情况。通过课程学习策略，在多智能体强化学习（MARL）环境下学习单个策略，使智能体能够自动推断其他驾驶员的各种行为并做出策略性决策.提出了一种屏蔽机制，以防止智能体探索违反人类判断常识的状态，提高学习效率。一个典型的合并方案被用来实现和检查所提出的方法。
2020-02-21 cs.AI cs.LG cs.RO
Joint Travel Route Optimization Framework for Platooning
Politecnico di Milano（米兰理工学院）
本文提出一种集中式编队形成的协作路线规划优化框架，综合燃油消耗、驾驶员疲劳和行驶时间等成本指标，并通过Dijkstra和A*算法验证其在长途出行中相比个体规划平均降低成本14%。
2025-07-21 cs.ET cs.RO cs.SY
Cooperative Perception with Deep Reinforcement Learning for Connected Vehicles
Carnegie Mellon University（卡内基梅隆大学）；InfoTech Labs, Toyota Motor North America R&D（丰田北美研发公司InfoTech实验室）
基于传感器的车辆感知对于提高道路安全性变得越来越普遍和重要。自动驾驶系统使用摄像头、激光雷达和雷达来检测周围的物体，而人类驾驶的车辆则使用它们来辅助驾驶员。然而，单个车辆的环境感知在覆盖范围和/或检测精度上具有限制。例如，车辆无法检测到被其他移动/静态障碍物遮挡的物体。在本文中，我们提出了一个合作的感知方案与深度强化学习，以提高周围物体的检测精度。通过使用深度强化学习来选择要传输的数据，我们的方案减轻了车载通信网络中的网络负载，提高了通信可靠性。为了设计，测试和验证的合作感知方案，我们开发了一个合作与智能车辆仿真（CIVS）平台，它集成了三个软件组件：交通模拟器，车辆模拟器和对象分类器。我们评估，我们的计划减少数据包丢失，从而提高检测精度高达12%，相比基线协议。
2020-04-23 cs.AI cs.LG cs.RO
Simultaneous Achievement of Driver Assistance and Skill Development in Shared and Cooperative Controls
Ritsumeikan University（立命馆大学）
先进的驾驶辅助系统成功地减少了驾驶员的工作量并提高了安全性。另一方面，过度使用这种系统会阻碍驾驶技能的发展。然而，存在协作驾驶员辅助系统，包括共享和协作控制，其可以在适当的系统设置下促进辅助系统与人类操作员之间的有效协作。鉴于有效的协作设置，我们的目标是同时开发或保持驾驶技能，同时减少工作量。由于这种系统及其方法的研究很少，我们讨论了一种方法，考虑在技能培训领域的相关概念，应用共享和合作控制。通过触觉共享控制辅助的反向停车被呈现为在辅助期间提高性能的手段，而辅助之后的技能提高被用于展示通过减少工作量和技能提高来同时实现驾驶员辅助的可能性。
2019-07-01 cs.HC cs.RO
A Human-Oriented Cooperative Driving Approach: Integrating Driving Intention, State, and Conflict
School of Software Engineering, Xi’an Jiaotong University（软件工程学院，西安交通大学）；School of Artificial Intelligence, Xi’an Jiaotong University（人工智能学院，西安交通大学）；School of Mechanical and Aerospace Engineering, Nanyang Technological University（机械与航空航天工程学院，南洋理工大学）
本文提出面向人类的协作驾驶方法，通过意图感知轨迹规划和控制权分配策略，提升驾驶性能并减少人机冲突。
2025-12-29 cs.RO
Human-Vehicle Cooperation on Prediction-Level: Enhancing Automated Driving with Human Foresight
为了最大限度地提高安全性和驾驶舒适性，自动驾驶系统可以从实施考虑不同潜在场景发展的前瞻性行动选择中受益。虽然人工场景预测方法正在取得快速进展，但细心的人类驾驶员仍然能够识别系统没有充分考虑的相关背景特征，或者人类驾驶员可能对系统适当对待它们的能力缺乏信任。我们实现了一种方法，可以让人类驾驶员通过凝视快速直观地为自动驾驶系统补充场景预测。我们说明了这种方法的可行性，在现有的自动驾驶系统中运行的模拟器中的各种方案。此外，设计并集成了一个图形化的用户界面（GUI），以增强系统的可信性和可解释性。利用这种协作增强的场景预测有可能提高系统的预见驾驶能力，并使自动驾驶更加可信，舒适和个性化。
2021-06-14 cs.HC cs.RO
OpenConvoy: Universal Platform for Real-World Testing of Cooperative Driving Systems
College of Engineering；Computer Science University of Central Florida Orlando, United States https://orcid.org/0009-0007-1826-373X；College of Electrical；Computer Engineering University of Central Florida Orlando, United States；Computer Science University of Central Florida Orlando, United States
本文提出OpenConvoy，一个用于在物理连接和自动驾驶车辆上实施与评估协同驾驶策略的开放可扩展框架，通过多规模车辆车队实验验证了其在不同配置和通信丢失场景下的稳定性与凝聚力测量能力。
2024-05-28 cs.AR cs.RO cs.SY
ROBOPOL: Social Robotics Meets Vehicular Communications for Cooperative Automated Driving
ROBOPOL提出利用社会机器人作为自动驾驶车辆与行人之间的调节器，通过整合先进感知、车辆通信、社会交互和形式化规范，实现协作自动驾驶场景中的安全交互。
2025-12-30 cs.RO cs.SY eess.SY
Robustness and Adaptability of Reinforcement Learning based Cooperative Autonomous Driving in Mixed-autonomy Traffic
University of California, Santa Barbara（加利福尼亚大学圣巴巴拉分校）
本文提出了一种基于多智能体强化学习的方法，用于提高自动驾驶车辆在混合自主交通环境中的鲁棒性和适应性，通过隐式学习人类驾驶行为以优化社会效用和安全性能。
2022-02-02 cs.LG cs.RO
Uncertainty-Aware Online Merge Planning with Learned Driver Behavior
Stanford University（斯坦福大学）
安全可靠的自动驾驶解决方案是下一代智能交通系统的关键组成部分。这种系统中的自动驾驶车辆必须实时的推理复杂和动态的驾驶场景，并预测附近驾驶员的行为。人类驾驶行为是高度细致入微的，具体到个人的交通参与者。例如，驾驶员可能会在合并车辆的存在下表现出合作或不合作的行为。必须对这些行为进行评估，并将其纳入安全有效驾驶的规划过程中。在这项工作中，我们提出了一个框架，估计在高速公路上的司机的合作水平和计划合并演习与司机的潜在行为明确建模。潜在的参数估计问题，解决了使用粒子滤波器近似的概率分布的合作水平。一个部分可观测马尔可夫决策过程（POMDP），其中包括潜在的状态估计在线求解，以提取合并车辆的政策。我们评估我们的方法在高保真汽车模拟器对方法是不可知的潜在状态或依赖于$\textit{a priori}$假设演员的行为。
2022-07-11 cs.RO
Scalable Decentralized Cooperative Platoon using Multi-Agent Deep Reinforcement Learning
German University in Cairo（开罗德国大学）
针对智能交通中车辆队列行驶的性能与安全需求，提出基于Unity 3D和深度强化学习的可扩展去中心化协作队列方法，通过“共享与关怀”通信框架提升车队及单车性能鲁棒性，改善道路安全与拥堵。
2023-12-11 cs.AI cs.MA cs.RO
CoopReflect: Towards Natural Language Communication for Cooperative Autonomous Driving via Multi-Agent Learning
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Robert Bosch LLC（罗伯特·博世有限公司）；University of California, Riverside（加州大学河滨分校）；Sony AI（索尼人工智能）
研究探索自然语言用于车对车通信的潜力，开发基于大语言模型的驾驶智能体，引入CoopReflect多智能体学习框架，通过试错等为智能体配备相关知识，实验表明其能生成更优消息，实现跨场景泛化并降低决策延迟。
2026-07-28 cs.AI cs.MA cs.RO
Location as a service with a MEC architecture
Fraunhofer FOKUS（弗劳恩霍夫开放通信系统研究所）；Daimler Center for Automotive IT Innovations（戴姆勒汽车信息技术创新中心）；TU Berlin（柏林工业大学）
本文提出基于MEC架构的协作定位方法，利用概率滤波和HD地图实现高精度车道定位。
2026-02-13 cs.NI cs.RO
A Novel Model for Driver Lane Change Prediction in Cooperative Adaptive Cruise Control Systems
University of Windsor（温莎大学）；University of Leeds（利兹大学）
该研究针对协同自适应巡航控制系统的驾驶员换道预测问题，对比不同信息类型与周边车辆数量的影响，基于HighD数据集训练LSTM模型，实现了ACC和CACC场景下59.15%与92.43%的换道预测准确率。
2023-05-01 cs.AI cs.LG cs.RO
Learning Latent Traits for Simulated Cooperative Driving Tasks
Toyota Research Institute（丰田研究院）
要在复杂、危险的情况下在人类和人工智能系统之间构建有效的团队策略，需要了解人类的个人偏好和行为。以前，这个问题一直是以特定于案例或数据不可知的方式处理的。在本文中，我们建立了一个框架，能够捕捉一个紧凑的潜在的代表性的人在他们的行为和偏好的基础上，从一个模拟的人口驱动程序的数据。我们的框架利用，在现有的范围内，个人偏好和类型的知识，从人口中的样本部署适合特定驱动程序的交互政策。然后，我们建立了一个轻量级的仿真环境，HMIway-env，建模一种形式的分心驾驶行为，并使用它来生成不同的驱动程序类型和训练干预政策的数据。最后，我们使用这种环境来量化的能力，区分司机和干预政策的有效性。
2022-07-20 cs.AI cs.HC cs.RO
Modelling and Analysis of Car Following Algorithms for Fuel Economy Improvement in Connected and Autonomous Vehicles (CAVs)
The Ohio State University（俄亥俄州立大学）
地面车辆的连接允许车辆彼此共享关键的车辆数据，例如车辆加速度。另一方面，使用诸如相机、雷达和激光雷达的传感器，可以检测领头车辆和主车辆之间的车内距离以及相对速度。协同自适应巡航控制（CACC）建立在地面车辆连接和传感器信息的基础上，形成具有自动车辆跟随的车队。CACC还可用于提高所述车队中车辆的燃油经济性和机动性。本文提出了三种CAV燃油经济性跟驰算法。设计了一种自适应巡航控制（ACC）算法作为比较基准模型。设计了一种协同式自适应巡航控制系统（CACC），该系统利用V2 V接收到的前车加速度进行跟车控制。开发了生态协同自适应巡航控制（Eco-CACC）模型，将不稳定的领先车辆加速度视为要衰减的干扰。设计了一种高水平控制器，用于当领头车辆是一个不稳定的驾驶员时进行决策。运行模型在环（MIL）和硬件在环（HIL）仿真来测试这些车辆跟随算法的燃油经济性性能。结果表明，HL控制器能够获得一个平稳的速度剖面，通过使用CACC和生态CACC比ACC对应的消耗更少的燃料时，领先的车辆不稳定。
2022-03-25 cs.RO cs.SY eess.SY
Automatic Intersection Management in Mixed Traffic Using Reinforcement Learning and Graph Neural Networks
Robert Bosch GmbH（罗伯特·博世有限公司）；Ulm University（乌尔姆大学）
本研究提出基于强化学习和图场景表示的协作多智能体规划方法，用于解决混合交通中的自动交叉口管理问题，显著提升了车辆通行量并减少了交互延误。
2023-07-28 cs.LG cs.RO
Development and Assessment of Autonomous Vehicles in Both Fully Automated and Mixed Traffic Conditions
University of Central Florida（中佛罗里达大学）
本文采用多阶段方法开发单辆与网联AV，引入“共享与关怀”V2V通信和深度强化学习提升协作驾驶，并通过调查评估混合交通中人类驾驶员竞争带来的安全风险。
2023-12-08 cs.AI cs.MA cs.RO
Learning to Robustly Negotiate Bi-Directional Lane Usage in High-Conflict Driving Scenarios
Technical University of Munich（慕尼黑工业大学）；Carnegie Mellon University（卡内基梅隆大学）
最近，自动驾驶在解决最常见的交通场景（如十字路口导航和车道变换）方面取得了实质性进展。然而，这些成功的案例大多局限于具有明确交通规则的场景，并且需要与其他车辆进行最少的协商。在本文中，我们介绍了一个以前未考虑的，但每天，高冲突的驾驶场景需要平等的权利和优先级的代理之间的谈判。没有集中控制结构，我们不允许通信。因此，不知道其他司机是否愿意合作，如果愿意，合作到什么程度。我们使用多智能体强化学习（MARL）来训练策略，以与具有不可观察的合作程度的对立车辆进行鲁棒谈判。我们提出了离散非对称软演员批评（DASAC），一个最大熵的政策外MARL算法，允许集中训练与分散执行。我们表明，使用DASAC，我们能够成功地协商和遍历的情况下考虑超过99%的时间。我们的代理人是强大的对手的决定，一个不可观察的程度的合作的反对车辆，和以前从未遇到的政策的一个未知的时间。此外，他们学会表现出类似人类的行为，如防御性驾驶，预测解决方案选项和解释其他代理的行为。
2021-03-22 cs.AI cs.LG cs.MA
Preemptive Spatiotemporal Trajectory Adjustment for Heterogeneous Vehicles in Highway Merging Zones
China Railway No.7 Bureau Group No.3 Engineering Co., Ltd.（中铁七局集团第三工程有限公司）
针对高速合流区感知滞后、时空资源利用率低的问题，提出融合车型、驾驶意图与安全时空距离的异构车辆抢占式合流控制策略，仿真验证其可显著降低延误、提升安全与通行效率。
2025-09-30 cs.RO cs.SY eess.SY
Autonomous Vehicle Convoy Control as a Differential Game
自动化高速公路上的联网和自动驾驶车辆的群组控制对于高级驾驶员辅助系统（ADAS）和自动驾驶系统（ADS）来说是一个挑战。本文研究了微分博弈为基础的方法，自主车队控制的目的是部署在自动化公路。在非合作微分对策下，耦合的车辆独立地做出决策，而它们的状态是相互依赖的。线性二次微分对策的滚动时域纳什均衡为护航编队提供了一种分布式状态反馈控制策略。这种方法的一个根本问题是，既不能保证纳什均衡的存在性，也不能保证唯一性。我们将基于个体动态的微分博弈转化为一个相对的基于动态的最优控制问题，该问题具有微分博弈的所有特征。微分对策下唯一Nash控制的存在性对应于最优控制问题的唯一解。后者示出，以及闭环系统的渐近稳定性。仿真结果表明了所提出的输送控制方案的有效性，以及它如何很好地适应自动化公路驾驶的情况。
2021-08-08 cs.GT cs.RO cs.SY
Smart Roads: Roadside Perception, Vehicle-Road Cooperation and Business Model
Xidian University（西安电子科技大学）；Guangzhou Institute of Technology, Xidian University（西安电子科技大学广州研究院）；Eindhoven University of Technology（埃因霍温理工大学）；Nanyang Technological University（南洋理工大学）；University of Oslo（奥斯陆大学）；Simula Metropolitan Center for Digital Engineering（西穆拉大都会数字工程中心）
针对智慧道路路侧设备部署盈利难、自动驾驶商业化推广受阻的问题，提出车路协同自动驾驶的智慧道路车辆引导架构及对应商业模式，仿真验证其可提升安全与效率，且具备更优的经济收益。
2023-10-19 cs.RO cs.SY eess.SP
Gaussian Process based Stochastic Model Predictive Control for Cooperative Adaptive Cruise Control
School of Electrical & Computer Engineering, Univ. of Georgia（佐治亚大学电气与计算机工程学院）；Dept. of Electrical & Computer Engineering, Univ. of Central Florida（中佛罗里达大学电气与计算机工程系）
协同驾驶依赖于车辆之间的通信来创建态势感知。协同驾驶的一个应用是协同自适应巡航控制（CACC），其目的是提高公路运输的安全性和能力。基于模型的通信（MBC）是一种新的模式，具有灵活的内容结构，用于广播联合车辆-驾驶员预测行为模型。车辆复杂的动力学特性和多样化的驾驶行为增加了建模过程的复杂性。高斯过程（GP）是一种完全数据驱动的非参数贝叶斯建模方法，可用作MBC的建模组件。关于不确定性的知识通过生成车辆的本地GPS并将其超参数作为模型广播给相邻车辆来进行预测。在这项研究中，GP被用来模拟每辆车的速度轨迹，这使得车辆能够在通信丢失和/或低速率通信期间访问其前车的未来行为。此外，为了克服车队中的安全问题，考虑了每辆车的两种运行模式：自由跟随和紧急制动。本文提出了一种离散混合随机模型预测控制，它结合了系统的模式，以及由GP模型捕获的不确定性。所提出的控制设计方法，找到最佳的车辆速度轨迹的目标是实现一个安全和有效的车队的车辆与小车辆间的差距，同时减少依赖的车辆上频繁的通信。仿真研究表明，所提出的控制器的有效性，考虑上述通信模式与低速率间歇通信。
2021-11-13 cs.RO
Integrating Inter-vehicular Communication, Vehicle Localization, and a Digital Map for Cooperative Adaptive Cruise Control with Target Detection Loss
Virginia Tech（弗吉尼亚理工大学）
自适应巡航控制系统（ACC）是一种先进的驾驶员辅助系统（ADAS），可使车辆以所需的车间距跟随。协同自适应巡航控制（CACC）是ACC的升级，它利用额外的车辆间无线通信来共享车辆状态，如加速，以实现更短的间隙跟随。ACC和CACC都依赖于雷达等距离传感器来获得实际的车间距，以进行间隙保持控制。由于视角有限，在弯曲的道路或陡峭的山坡上，距离传感器可能无法检测到目标、前车。不利的天气条件、目标选择失败或硬件问题也可能导致目标探测丢失。在目标检测丢失期间，车辆跟随系统通常回退到巡航控制（CC），其中跟随车辆保持恒定速度。在这项工作中，我们提出了一种替代方法来获得车辆间的距离在目标检测丢失，以继续车辆跟踪。该算法集成了车辆间通信，精确的车辆定位，和一个数字地图与车道中心信息，以近似的车辆间的距离。实验室机器人跟踪实验表明，该算法提供了理想的车间距离近似。虽然该算法是针对车辆跟踪应用的，但它也可以用于其他需要车辆相对距离近似的场景。这项工作还展示了我们在实验室内为联网和自动化车辆进行交通机器人仿真的开发工作。
2019-01-10 cs.RO
A Fleet of Miniature Cars for Experiments in Cooperative Driving
University of Cambridge（剑桥大学）
本文介绍了一种由16辆微型Ackermann转向车辆组成的独特实验平台，旨在解决多车导航和轨迹规划研究与教育中低成本平台不足的问题，通过实验展示合作驾驶在多车道道路地形中的优势。
2019-02-16 cs.RO cs.SY eess.SY
Driving Simulator Platform for Development and Evaluation of Safety and Emergency Systems
University of São Paulo（圣保罗大学）；Federal University of Lavras（拉夫拉斯联邦大学）
根据联合国的数据，全世界每天有3000多人死于道路交通碰撞。根据最近的研究，人为错误可能被认为是造成这些死亡的主要原因。正因为如此，研究人员寻求将车辆控制从人转移到自主系统的替代方案。然而，为人们提供这种技术创新可能需要在法律、经济和技术领域面临复杂的挑战。因此，汽车制造商和研究人员将驾驶自动化分为安全和应急系统，以改善驾驶员在道路上的感知。这可以减少人为错误。因此，本研究的主要贡献是提出一个驾驶模拟器平台，以开发和评估安全和应急系统，在第一个设计阶段。该驾驶模拟器平台具有一个优点：灵活的软件结构。这允许在模拟中对系统的开发或评估进行调整。建议的驾驶模拟器平台进行了测试，在两个应用程序：合作的车辆系统开发和驾驶辅助系统（\textit{DAS}）对驾驶员的影响评价。在车辆协同系统开发中，研究结果表明，车辆间通信时延（$V2V$）的增加对系统性能有决定性影响。另一方面，在驾驶员中的\textit{DAS}的影响评价中，可以得出\textit{DAS'}模型不具有驾驶员中避免事故所需的影响水平的结论。
2018-02-01 cs.CY cs.RO
A Gradual Takeover Strategy of the Active Safety System
School of Automobile, Chang’an University（长安大学汽车学院）；School of Automotive Studies, Tongji University（同济大学汽车学院）
提出了一种逐步接管策略，实现了驾驶权限的实时动态分配和逐步切换。首先，实现了基于风险等级的驾驶权限分配。采用自然驾驶数据研究驾驶员在危险状态下的行为。TTC（碰撞时间）被定义为明显的风险度量，而假设目标车辆正在制动，则主车辆必须制动之前的时间被定义为潜在风险度量，即时间裕度（TM）。提出了一种基于明显风险和潜在风险的风险评估算法。二是实现驾驶权限逐步移交。采用非合作MPC（模型预测控制）解决驾驶员与主动安全系统之间的冲突。通过自然驾驶数据验证了该风险评估算法的有效性，在受试者操作特征（ROC）方面，该风险评估算法优于TTC。证明了非合作MPC的纳什均衡可以用非迭代方法求得。通过置信度矩阵的更新实现了驾驶权限的逐步切换。仿真验证表明，该逐步接管策略能够实现驾驶员与主动安全系统之间驾驶权限的逐步切换。
2020-11-12 cs.RO cs.SY eess.SY
Cooperation-Aware Lane Change Maneuver in Dense Traffic based on Model Predictive Control with Recurrent Neural Network
Carnegie Mellon University（卡内基梅隆大学）；Honda Research Institute（本田研究所）；University of California, Berkeley（加利福尼亚大学伯克利分校）
提出了一种在密集交通中自动驾驶的实时变道控制框架，该框架利用了其他驾驶员的协作行为。本文主要研究交通拥挤时车辆不与其他驾驶员合作就无法变道的情况。在这种情况下，经典的鲁棒控制可能不适用，因为没有安全区域可以在不与其他驾驶员交互的情况下合并。也就是说，从控制工程师的角度来看，对复杂的交互式人类行为进行建模是非常重要的。我们提出了一个数学控制框架模型预测控制（MPC）的基础上，包括一个国家的最先进的循环神经网络（RNN）架构。特别是，RNN预测其他驾驶员响应于自动驾驶车辆的潜在动作的交互动作，然后在安全约束中系统地评估这些动作。我们还提出了一个实时的启发式算法，以找到本地最优控制输入。最后，定量和定性分析的模拟研究，以说明所提出的框架的好处。
2019-09-29 cs.AI cs.RO
Cooperative Robotics Reinforced by Collective Perception for Traffic Moderation
Karlsruhe Institute of Technology, Karlsruhe, Germany（卡尔斯鲁厄理工学院，德国卡尔斯鲁厄）；Halmstad University, Halmstad, Sweden（哈马格大学，瑞典哈马格）
本文提出一种结合集体感知与协作机器人的交通调节系统，通过机器人主动干预防止非视线交口的碰撞风险，实验证明其在现实非视线条件下有效检测车辆并预防危险合并。
2026-05-12 cs.AI cs.ET cs.RO
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
Impact of Information Flow Topology on Safety of Tightly-coupled Connected and Automated Vehicle Platoons Utilizing Stochastic Control
Univ. of Georgia（佐治亚大学）；Univ. of Central Florida（中佛罗里达大学）
通过车联网（V2X）通信实现的协同驾驶有望为交通系统的安全和效率做出重大贡献。协同自适应巡航控制（CACC）是一种重要的协同驾驶应用，近年来已成为许多研究的主题。使用CACC的主要动机是减少交通拥堵，提高交通流量、交通吞吐量和公路通行能力。由于协同车辆之间的信息流可以显着影响一个队列的动态，控制组件的设计和性能是紧密依赖于通信组件的性能。此外，信息流拓扑（IFT）的选择可以影响某些排属性，如稳定性和可扩展性。虽然通过使用V2X通信可以将协作车辆感知扩展到多个前驱信息，但是通信技术仍然存在可扩展性问题。因此，合作的车辆需要预测对方的行为，以补偿非理想的通信的影响。提出了基于模型的通信（MBC）的概念，通过引入一种新的灵活的内容结构来广播联合车辆动态/驾驶员行为模型，以增强非理想通信下的协作车辆感知。通过利用非参数（贝叶斯）建模方案，即，高斯过程回归（GPR），和MBC的概念，本文开发了一种离散的混合随机模型预测控制的方法，并检查通信损耗和不同的信息流拓扑结构的性能和安全的排的影响。结果表明，使用更多的车辆信息，在响应时间和安全性方面有所改善，验证了合作的潜力，以减少干扰，提高交通流量和安全性。
2022-03-29 cs.RO cs.SY eess.SY
GAMEOPT+: Improving Fuel Efficiency in Unregulated Heterogeneous Traffic Intersections via Optimal Multi-agent Cooperative Control
Nokia Bell Labs（诺基亚贝尔实验室）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）；University of Maryland（马里兰大学）
GameOpt+结合拍卖机制与优化轨迹规划，实现无信号异构交叉口的多智能体协同控制，在高速高密度下实时决策，显著提升吞吐量、降低延误与油耗，且对不平衡车流鲁棒。
2024-05-26 cs.MA cs.RO
Adaptive Safe Merging Control for Heterogeneous Autonomous Vehicles using Parametric Control Barrier Functions
Carnegie Mellon University（卡内基梅隆大学）
随着对机器人安全自主性的日益重视，基于模型的安全控制方法如控制障碍函数已被广泛研究，以确保在机器人之间的相互作用的安全性。在本文中，我们引入了参数控制障碍函数（参数CBF），传统的控制障碍函数的一种新的变体，以扩展其表达能力，在描述不同的安全行为之间的异构机器人。而不是假设合作和同质的机器人使用相同的安全控制器，自我机器人能够通过不同的参数CBF与观察到的数据模型的相邻机器人的底层安全控制器。给定学习的参数CBF和证明的前向不变性，它为自我机器人提供了更大的灵活性，以更好地与其他异构机器人协调，提高效率，同时享受形式上可证明的安全保证。我们展示了使用参数CBF的行为预测和自适应安全控制的坡道合并的情况下，从自动驾驶的应用。与传统的CBF相比，参数CBF的优点是捕捉不同的驱动程序的特性，提供更丰富的描述机器人的行为在安全控制的上下文中。数值仿真验证了该方法的有效性。
2022-02-20 cs.RO
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
Driving in Dense Traffic with Model-Free Reinforcement Learning
Carnegie Mellon University（卡内基梅隆大学）；University of California, Berkeley（加州大学伯克利分校）；Honda Research Institute USA, Inc.（美国本田研究所公司）
传统的规划和控制方法可能无法为自动驾驶汽车在道路上密集的交通中找到可行的轨迹。这是因为在这些场景中，时空中的无障碍体积非常小，无法让车辆行驶通过。然而，这并不意味着这项任务是不可行的，因为众所周知，人类驾驶员能够通过利用其他驾驶员的合作来打开间隙，从而在密集的交通中驾驶。传统的方法没有考虑到代理人采取的行动会影响道路上其他车辆的行为。在这项工作中，我们依靠深度强化学习的能力来隐式地对这种交互进行建模，并在自动驾驶汽车的动作空间上学习连续的控制策略。我们考虑的应用程序需要我们的代理进行谈判，并在道路上打开一个缺口，以便成功地合并或改变车道。我们的策略学会了反复探测目标车道，同时试图找到一个安全的位置。我们比较两个模型预测控制为基础的算法，并表明我们的政策优于他们在仿真中。
2022-12-27 cs.AI cs.LG 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
Learning Interaction-aware Guidance Policies for Motion Planning in Dense Traffic Scenarios
Delft University of Technology（代尔夫特理工大学）
在密集交通场景中的自主导航对于自动驾驶汽车（AV）来说仍然具有挑战性，因为其他驾驶员的意图无法直接观察，并且AV必须处理各种驾驶行为。为了在密集的交通中机动，自动驾驶汽车必须能够推理他们的行为如何影响他人（交互模型），并利用这种推理安全地在密集的交通中导航。本文提出了一种新的框架，在密集的交通场景中的交互感知运动规划。我们探讨了人类驾驶行为与其相互作用时的速度变化之间的联系。因此，我们建议通过深度强化学习（RL）来学习一种交互感知策略，该策略为基于优化的规划器提供关于其他车辆合作性的全局指导，以通过约束满足确保安全性和运动学可行性。学习的策略可以推理并引导具有交互行为的基于局部优化的规划器在密集交通中主动合并，同时在其他车辆不屈服的情况下保持安全。我们提出了定性和定量的结果，在高度互动的模拟环境（高速公路合并和无保护的左转）对两个基线的方法，基于学习和基于优化的方法。实验结果表明，与基于学习和基于优化的基线相比，该方法显著减少了碰撞次数，提高了成功率。
2021-07-09 cs.AI cs.RO
iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed Multi-Agent Reinforcement Learning
University of Maryland（马里兰大学）；University of Texas, Austin（德克萨斯大学奥斯汀分校）
本文提出分布式 MARL 方法 iPLAN，使自动驾驶智能体仅凭局部观测推断其他驾驶员的行为与即时意图，并在两类交通仿真中显著提升奖励、成功率和生存时间。
2023-08-21 cs.LG cs.MA cs.RO
An Intention-driven Lane Change Framework Considering Heterogeneous Dynamic Cooperation in Mixed-traffic Environment
Intelligent Transportation Thrust, Systems Hub, The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）智能交通研究所，系统中心）；Guangdong Provincial Key Lab of Integrated Communication, Sensing and Computation for Ubiquitous Internet of Things（广东省集成通信、感知与计算 ubiquitous internet of things 关键实验室）；Robotics and Autonomous Systems Thrust, Systems Hub, The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）机器人与自主系统研究所）
提出一种结合驾驶风格识别、协作感知决策与运动规划的意图驱动换道框架，通过深度学习和逆强化学习实现混合交通中安全高效的换道。
2026-03-17 cs.RO
Evolving Testing Scenario Generation Method and Intelligence Evaluation Framework for Automated Vehicles
School of Automotive Studies, Tongji University（同济大学汽车学院）；School of Vehicle and Mobility, Tsinghua University（清华大学车辆与 Mobility学院）；School of Mechanical and Aerospace Engineering, Nanyang Technological University（南洋理工大学机械与航天工程学院）；College of Transportation Engineering, Tongji University（同济大学交通运输工程学院）
针对自动驾驶车辆测试场景中背景车辆行为简单、缺乏智能评估指标的问题，提出基于深度强化学习的演化场景生成方法与智能评估框架，场景复杂度更高且更贴近真实驾驶数据。
2023-06-12 cs.AI cs.MA cs.RO
TrafficMCTS: A Closed-Loop Traffic Flow Generation Framework with Group-Based Monte Carlo Tree Search
Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；KU Leuven（根特大学）
本文提出 TrafficMCTS 闭环框架，融合分组 MCTS 与 SVO 生成多样、类人且无碰撞的交通流，并在效率、成功率和场景扩展性上验证其优势。
2025-07-25 cs.MA cs.RO cs.SY
