Generalized Coordination of Partially Cooperative Urban Traffic
Institute of Measurement, Control and Microtechnology, Ulm University（测量、控制与微技术研究所，乌尔姆大学）
本文提出一种适用于城市交通多场景的协同机动规划框架，通过优化方法与启发式策略处理混合交通，在40%协同率下即显著提升交通效率且不牺牲安全性。
2025-05-27 cs.MA cs.RO
Real-World Evaluation of two Cooperative Intersection Management Approaches
Institute of Measurement, Control and Microtechnology, Ulm University（测量、控制与微技术研究所，乌尔姆大学）；Robert Bosch GmbH, Corporate Research（罗伯特·博世有限公司，企业研究）
本文评估了两种协作交叉口管理方法在现实混合交通中的性能，展示了其在减少穿越时间和停止次数方面的显著效果。
2026-02-01 cs.RO
AeroCast: Probabilistic 3D Trajectory Prediction for Non-Cooperative Aerial Obstacles via Transformer-MDN Architecture
Department of Engineering, Texas A&M University–Corpus Christi（德克萨斯A&M大学科珀斯克里斯蒂分校工程系）
提出AeroCast框架，结合Transformer编码器和混合密度网络，预测非合作空中障碍物的多模态轨迹，在五秒预测范围内将位移误差降低约50%，并支持实时部署。
2026-06-25 cs.AI cs.LG cs.RO
Multi-Target Maneuver Coordinations: Unlocking Coordination Opportunities in Connected Automated Driving
Networked Systems Lab, Universidad Miguel Hernandez de Elche（米格尔· Hernandez 大学网络系统实验室）；Toyota Motor North America R&D – InfoTech Labs（丰田北美研发-信息科技实验室）
提出一种基于多目标选择的机动协调方法，使车辆能在给定机动中识别并选择多个潜在协调车辆，在不修改执行逻辑和协议的前提下增加协调机会，实验表明该方法显著提高协调触发和执行成功率且计算成本低。
2026-06-23 cs.NI cs.RO
Cooperation-Aware Reinforcement Learning for Merging in Dense Traffic
Stanford University（斯坦福大学）；Honda Research Institute（本田研究院）
对于自动驾驶汽车来说，在密集的交通中做出决策可能是一项挑战。仅依赖于预定义的道路优先级并将其他驾驶员视为移动物体的自动系统将导致车辆冻结并导致机动失败。人类驾驶员利用其他驾驶员的合作来避免这种僵局情况，并说服其他人改变他们的行为。决策算法必须考虑与其他驾驶员的互动，并预测广泛的驾驶员行为。在这项工作中，我们提出了一个强化学习的方法来学习如何与不同的合作水平的驱动程序进行交互。我们通过保持对其他驾驶员合作水平的信念来增强传统强化学习算法的性能。我们表明，我们的代理成功地学习如何导航密集的合并方案，比在线规划方法少死锁。
2019-06-26 cs.AI cs.LG cs.RO
Maneuver-Aware Pooling for Vehicle Trajectory Prediction
University of Leeds（利兹大学）
自动驾驶汽车应该能够预测其环境的未来状态并做出适当的反应。具体来说，预测周围人类驾驶员的行为对于此类平台与人类共享同一条道路至关重要。周围车辆中的每一个的行为由其相邻车辆的运动控制。本文的重点是预测自动驾驶汽车在高速公路上的周围车辆的行为。我们的动机是提高预测精度时，周围的车辆进行变道和高速公路合并演习。我们提出了一种新的池化策略来捕捉相邻车辆之间的相互依赖关系。仅依赖于欧几里德轨迹表示，现有的池化策略不建模的上下文信息的机动周围的车辆。相比之下，我们的池机制采用极轨迹表示，车辆方向和径向速度。这将导致隐式的可感知池化操作。我们将所提出的池化机制纳入生成式编码器-解码器模型中，并在公共NGSIM数据集上评估了我们的方法。最后，通过与现有方法的比较，验证了该方法的有效性。我们的“Pooling Example”代码可在https://github.com/m-hasan-n/pooling上获得。
2021-04-29 cs.CV cs.RO
Towards Robust On-Ramp Merging via Augmented Multimodal Reinforcement Learning
Michigan Technological University（密歇根理工大学）；University of Science and Technology of China（中国科学技术大学）
尽管人工智能车载感知取得了成功，但入口匝道合并一直是自动驾驶面临的主要挑战之一。由于车载传感器的感知范围有限，并道车辆很难观察到主干道的路况并道。通过利用联网车辆和自动驾驶车辆（CAV）之间的无线通信，合并CAV有可能主动获取附近车辆的意图。然而，CAV可能容易出现不准确的观测，例如嘈杂的基本安全信息（BSM）和质量差的监视图像。在本文中，我们提出了一种新的方法，通过增强和多模态强化学习，命名为RAMRL的CAV的鲁棒入口匝道合并。具体来说，我们制定了一个马尔可夫决策过程（MDP）的入口匝道合并问题，考虑到驾驶安全，舒适的驾驶行为，和交通效率。为了提供可靠的合并操作，我们同时利用BSM和监控图像进行多模态观察，用于通过近端策略优化（PPO）学习策略模型。此外，为了提高数据效率并提供更好的泛化性能，我们训练增强数据（例如，噪声BSM和噪声监视图像）。在两种典型的合流场景下，利用城市移动性仿真平台（SUMO）进行了大量的实验。实验结果表明，我们的鲁棒入口匝道合并设计的有效性和效率。
2022-07-21 cs.AI cs.LG 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
Automated Driving Maneuvers under Interactive Environment based on Deep Reinforcement Learning
University of California, Berkeley（加州大学伯克利分校）
在交互式和复杂的环境中安全和有效的自动驾驶机动可能是相当具有挑战性的，因为其他周围代理的不可预测的动作，这些代理在与自我车辆的交互中可能是合作的或对抗的。最先进的方法之一是应用强化学习（RL）来学习时序驾驶策略，以执行适当的控制策略或跟踪动态情况下的轨迹。然而，RL算法的直接应用并不足以令人满意地处理在自动驾驶领域的情况下，主要是由于复杂的驾驶环境和连续的动作空间。在本文中，我们采用Q学习作为我们的基本学习框架，并设计了一个独特的格式的Q函数逼近器，由神经网络来处理连续的动作空间的挑战。学习模型以连续控制变量的封闭形式存在，并在我们开发的嵌入式实时车辆交互特性的仿真平台中进行训练。所提出的算法避免了调用一个额外的演员网络，学习采取行动，在演员-评论家算法。同时，一些车辆动力学的先验知识也被输入到模型中，以辅助学习。通过一个具有挑战性的案例--变道机动，验证了所提方法的实用性和可行性。从累积的奖励和车辆性能的结果表明，RL车辆代理成功地学习一个安全，舒适和有效的驾驶策略中定义的奖励函数。
2019-01-24 cs.RO
Cooperative Collision Avoidance in Mobile Robots using Dynamic Vortex Potential Fields
Technische Universität Dortmund（多特蒙德工业大学）；International Institute of Information Technology Bangalore（班加罗尔国际信息技术学院）
本文研究了非完整机器人在二维平面内作匀速直线运动时的避碰问题。的机动，以避免碰撞的设计使用动态涡流势场（PF）和它们的负梯度;这种提法导致机器人之间的相互行为，表示为合作。排斥场被选择为机器人相对于另一个机器人的速度和位置的函数，并且在其定义中引入涡度保证了不存在局部最小值。只有当机器人处于与其他移动机器人或静止障碍物碰撞的路径上时，才会激活这种排斥场。通过分析极坐标系下基于运动学的啮合动力学，它表明，合作机器人是能够避免碰撞与非合作机器人，如固定和等速机器人，以及那些积极寻求与它碰撞的PF参数的条件确定，确保避免碰撞的所有情况下。使用移动机器人平台获得的实验结果支持的理论贡献。
2022-11-24 cs.RO
Cooperative Bidirectional Mixed-Traffic Overtaking
University of Maryland（马里兰大学）
针对双向混合交通中CAVs的安全超车难题，提出一种基于协作通信的控制框架，利用车辆间共享信息减少传感器遮挡影响，并结合局部速度预测，在保证安全和舒适的前提下最大化速度，并通过真实交通仿真验证了性能。
2023-11-14 cs.RO
Cooperative Indoor Exploration Leveraging a Mixed-Size UAV Team with Heterogeneous Sensors
CTU Czech Technical University（捷克技术大学）
本文提出一种混合尺寸异构传感器无人机团队的室内探索方法，结合贪心与最小成本流两种任务分配策略，并利用SphereMap进行可达性评估与避碰路径生成，经仿真和实机实验验证。
2025-06-03 cs.RO
MAPPO-PIS: A Multi-Agent Proximal Policy Optimization Method with Prior Intent Sharing for CAVs' Cooperative Decision-Making
Tongji University（同济大学）
针对人机混合交通中CAVs协同决策的挑战，本文提出MAPPO-PIS方法，通过意图生成模块与安全增强模块实现多智能体强化学习下的先验意图共享，显著提升了决策的安全性、效率及整体交通性能。
2024-08-26 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
An Algorithm for Supervised Driving of Cooperative Semi-Autonomous Vehicles (Extended)
MINES ParisTech（巴黎高科矿业学校）；PSL Research University（巴黎文理研究大学）；École des Ponts ParisTech（巴黎高科桥梁学院）
在实现完全自动驾驶之前，车辆将逐渐配备越来越先进的驾驶员辅助系统（ADAS），有效地使其半自动驾驶。然而，目前的ADAS技术似乎无法处理复杂的交通情况，特别是在处理从两侧到达的车辆时，无论是在十字路口还是在高速公路上合并时。这些环境中的高事故率证明，它们构成了困难的驾驶情况。此外，交叉口和合流车道往往是重要的交通拥堵的根源，有时甚至是僵局。在这篇文章中，我们提出了一个合作框架，以安全地协调半自动驾驶汽车在这种情况下，消除碰撞或死锁的风险，同时保持与人类驾驶兼容。更具体地说，我们提出了一种监督协调方案，当人类驾驶员的控制输入会导致不安全或堵塞的情况时，该方案会覆盖这些输入。为了避免不必要的干预，并保持与人类驾驶兼容，只有在碰撞或死锁即将发生时才会发生超驰。在这种情况下，选择安全的超驰控制，同时确保它们最小限度地偏离驾驶员最初要求的控制。基于现实物理模拟器的仿真结果表明，我们的方法可扩展到现实世界的场景，计算可以在一台标准计算机上实时执行，最多可同时运行十几辆车。
2017-06-25 cs.MA cs.RO
A Rule-Compliance Path Planner for Lane-Merge Scenarios Based on Responsibility-Sensitive Safety
The University of Tokyo（东京大学）
提出规则遵从路径规划器RCPP，结合扩展RSS明确路权与势场sigmoid规划生成路径，显著缩短汇入时间与路径长度并消除轨迹振荡。
2024-03-20 cs.RO
Connected and Automated Vehicles in Mixed-Traffic: Learning Human Driver Behavior for Effective On-Ramp Merging
University of Delaware（特拉华大学）
针对混合交通高速公路汇入场景，提出利用近似信息状态学习人类驾驶车辆行为的框架，使网联自动驾驶车辆在无先验知识下预测轨迹并生成安全控制策略，仿真验证了其有效性。
2023-04-01 cs.AI cs.LG cs.SY
Multi-UAV Conflict Resolution with Graph Convolutional Reinforcement Learning
Autonomous University of Barcelona（巴塞罗那自治大学）
安全是空中交通的首要问题。无人机（UAV）之间的飞行安全是通过成对的分离最小值，利用冲突检测和解决方法来确保的。现有的方法主要处理成对冲突，然而由于交通密度的预期增加，可能会发生与两个以上的UAV的遭遇。在本文中，我们模型的多无人机冲突解决多智能体强化学习问题。我们实现了一个基于图神经网络的算法，合作代理可以进行通信，共同产生决议演习。该模型进行评估的情况下，3和4本代理。结果表明，智能体能够成功地解决多无人机冲突，通过合作的策略。
2021-11-29 cs.LG cs.MA cs.RO
Cooperative Energy and Time-Optimal Lane Change Maneuvers with Minimal Highway Traffic Disruption
Boston University（波士顿大学）；Honda Research Institute-US (HRI-US)（美国本田研究院（HRI-US））
我们推导出最优控制政策连接自动驾驶汽车（CAV）和合作的邻居CAV进行变道机动组成的纵向阶段，其中CAV正确定位自己相对于合作的邻居和横向阶段，它安全地改变车道。在这个问题上，在CAV的“自私”只寻求最小化其机动时间，我们试图确保快速车道的交通流被最小限度地破坏（通过一个适当定义的度量）以前的工作。此外，当进行变道机动，我们最佳地选择合作的车辆从一组可行的相邻车辆和实验表明，高速公路的吞吐量相比，人类驾驶的车辆改变车道没有合作的基线情况下，提高。当可行的解决方案不存在一个给定的最大允许中断，我们包括一个时间松弛的方法权衡了较长的机动时间减少中断。我们的分析也扩展到多个连续机动。仿真结果表明，我们的控制器的有效性，在安全保证和高达16%和90%的平均吞吐量和机动时间的改善相比，没有合作的机动。
2022-11-16 cs.RO cs.SY eess.SY
Cooperative Integrated Estimation-Guidance for Simultaneous Interception of Moving Targets
Intelligent Systems & Control (ISaC) Lab, Department of Aerospace Engineering, Indian Institute of Technology Bombay（智能系统与控制实验室，航空航天工程系，印度理工学院班加罗尔）；Guidance, Autonomy, Learning, and Control for Intelligent Systems (GALACxIS) Lab, Department of Aerospace Engineering and Engineering Mechanics, University of Cincinnati（智能系统引导、自主、学习与控制实验室，航空航天工程与工程力学系，辛辛那提大学）
本文提出一种协同集成估计-制导框架，通过预定时间观测器和TPNG解决无人车团队在部分传感器配置下同时拦截非机动目标的问题，实现目标状态收敛与剩余时间一致性。
2025-10-30 cs.MA cs.RO cs.SY
On-orbit Servicing for Spacecraft Collision Avoidance With Autonomous Decision Making
Université Paris-Saclay（巴黎萨克雷大学）；CentraleSupélec（中央高等电力学院）
本研究提出一种基于强化学习的自主在轨服务航天器，通过Cross-Entropy算法生成最优机动矩阵，实现目标卫星与空间碎片碰撞检测、交会对接及避碰机动，并验证了其可行性及设计挑战。
2024-09-25 cs.AI
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
Dynamics and Control of Vision-Aided Multi-UAV-tethered Netted System Capturing Non-Cooperative Target
Harbin Institute of Technology（哈尔滨工业大学）
本文提出多无人机系留网捕获非合作目标方案，并开发集成多体动力学、视觉跟踪与MAPPO强化学习控制的mySim仿真环境，验证了对非机动和机动目标的有效捕获能力。
2025-06-03 cs.RO cs.SY eess.SY
eRSS-RAMP: A Rule-Adherence Motion Planner Based on Extended Responsibility-Sensitive Safety for Autonomous Driving
The University of Tokyo（东京大学）
本文提出基于扩展责任敏感安全（eRSS）的规则遵循运动规划器 eRSS-RAMP，用于自动驾驶汇入与紧急避让场景，仿真显示其汇入长度缩短53.0%、汇入时间减少73.5%，并实现更稳定平滑的避撞路径。
2024-09-04 cs.RO
MIND-CAVs: Multi-Intelligence Negotiation and Decision System for CAVs based on Intent-Driven Autonomy
针对当前联网自动驾驶车辆缺乏全局一致、意图感知协调决策机制的问题，提出MIND-CAVs框架，车辆将传感器观测抽象为意图表示交换，边缘智能体协商冲突意图，实验表明该框架在多车道场景中相比基线有改善。
2026-07-21 cs.RO
Conditional Prediction by Simulation for Automated Driving
CARIAD SE；Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
本文提出一种基于微观交通仿真和对抗性逆强化学习行为模型的条件预测方法，通过以自动驾驶车辆候选轨迹为条件生成预测并支持动态调整，从而实现协同规划。
2025-02-05 cs.CV cs.RO
RACE-SM: Reinforcement Learning Based Autonomous Control for Social On-Ramp Merging
School of Mechanical and Aerospace Engineering, Queen’s University Belfast（贝尔法斯特女王大学机械与航空航天工程学院）
针对人类驾驶交通中的平行式匝道合流难题，提出基于深度强化学习的新模型RACE-SM，利用社会价值取向加权自车与周围车辆效用，实现社会可接受的加速与变道决策，仿真证明其碰撞率不劣于现有方法且更具社交礼貌性。
2024-03-15 cs.AI cs.LG cs.RO
M3CAD: Towards Generic Cooperative Autonomous Driving Benchmark
University of North Texas（北卡罗来纳州立大学）；Toyota InfoTech Labs（丰田信息技术实验室）
M3CAD是一个全面的协作自动驾驶基准，提供多模态数据支持多种自动驾驶任务，并提出多级融合方法以平衡通信效率与感知精度。
2026-03-09 cs.CV cs.RO
Dynamic Speed Guidance for CAV Ramp Merging in Non-Cooperative Environment: An On-Site Experiment
Zhejiang Lab（之江实验室）；Sun Yat-sen University（中山大学）
匝道合流是协同智能交通系统（C-ITS）的一个典型应用。路边传感器感知的车辆轨迹是对车载感知有限视野的重要补充。为了充分利用路边摄像机的优势进行车辆轨迹和速度估计，提出了一种车辆跟踪和轨迹去噪算法。提出了一种动态速度引导算法，即使在非合作环境下，主线车辆也不会减速以适应入口车辆，帮助入口车辆顺利并入主线。在杭州绕城高速公路的一个合流区进行了现场实验，仿真分析表明，该算法在匝道合流过程中可以显著节省燃油。
2022-12-21 cs.RO
MUI-TARE: Multi-Agent Cooperative Exploration with Unknown Initial Position
Carnegie Mellon University（卡内基梅隆大学）
在初始位置未知的情况下，多智能体探索有界三维环境是一个具有挑战性的问题。它需要快速探索环境，以及稳健地合并由代理构建的子地图。我们认为，现有的方法要么是积极的或保守的：积极的策略合并两个子地图由不同的代理建立在一起时，重叠被检测到，这可能会导致不正确的合并，由于假阳性检测的重叠，因此是不稳健的。保守策略会导致一个智能体在合并前重新访问另一个智能体的大量历史轨迹以进行验证，这会由于对同一空间的重复探索而降低探索效率。为了智能地平衡子地图合并的鲁棒性和探索效率，我们开发了一种新的方法，用于基于激光雷达的多智能体探索，该方法可以基于子地图合并过程的质量指标，指导一个智能体以\emph{adaptive}方式重复另一个智能体的轨迹。此外，我们的方法扩展了最近的单代理分层勘探策略，多个代理在\emph{cooperative}的方式，规划代理合并子地图在一起，以进一步提高勘探效率。我们的实验表明，我们的方法是高达50%以上的效率比基线的平均同时合并子地图鲁棒。
2022-09-22 cs.AI cs.RO
Decision Making for Autonomous Driving in Interactive Merge Scenarios via Learning-based Prediction
University of Surrey（萨里大学）
在与人类驾驶员共享的道路上行驶的自主智能体必须对交通参与者之间的微妙互动进行推理。这提出了一个高度挑战性的决策问题，因为人类行为受到多种因素的影响（例如，人类的意图和情感），很难建模。本文提出了一种自动驾驶的决策方法，专注于合并到移动交通中的复杂任务，其中不确定性来自其他驾驶员的行为和不完善的传感器测量。我们框架的问题作为一个部分可观察的马尔可夫决策过程（POMDP）和解决它的蒙特卡罗树搜索在线。POMDP的解决方案是执行高级别驾驶操作的策略，例如为接近的汽车让路，与前面的车辆保持安全距离或并入交通。我们的方法利用从数据中学习的模型来预测未来的交通状态，同时明确考虑周围代理之间的交互。根据这些预测，自动驾驶汽车可以预测其行为对环境的未来影响，并相应地优化其轨迹。我们在模拟中彻底测试了我们的方法，表明自动驾驶汽车可以根据不同情况调整其行为。我们还与其他方法进行比较，证明了所考虑的性能指标的改进。
2023-03-29 cs.AI cs.LG 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
Automated Lane Change Strategy using Proximal Policy Optimization-based Deep Reinforcement Learning
Beijing Institute of Technology（北京理工大学）；University of California, Berkeley（加州大学伯克利分校）；GAC R&D Center Silicon Valley Inc.（广汽研究院硅谷公司）
车道变换机动通常由驾驶员执行以遵循一定的路线规划、超越较慢的车辆、适应前方的合并车道等。然而，不适当的车道变换行为可能是交通流中断甚至撞车的主要原因。虽然已经提出了许多基于规则的方法来解决自动驾驶的车道变换问题，但由于驾驶环境的不确定性和复杂性，它们往往表现出有限的性能。基于机器学习的方法提供了一种替代方法，因为深度强化学习（DRL）在许多应用领域（包括机器人操纵、导航和玩视频游戏）中已经显示出有希望的成功。然而，将DRL应用于自动驾驶仍然面临着学习率缓慢、样本效率低下和安全问题等诸多实际挑战。在本研究中，我们提出了一种使用基于近端策略优化的深度强化学习的自动变道策略，该策略在学习效率方面表现出很大的优势，同时仍然保持稳定的性能。经过训练的智能体能够学习平稳、安全和有效的驾驶策略，以便在具有挑战性的情况下（如密集的交通场景）做出变道决策（即何时以及如何）。通过任务成功率和冲突率指标验证了该策略的有效性。仿真结果表明，车道变换操纵可以有效地学习和执行在一个安全，平稳，高效的方式。
2020-05-20 cs.AI cs.LG cs.RO
Multi-Task Lane-Free Driving Strategy for Connected and Automated Vehicles: A Multi-Agent Deep Reinforcement Learning Approach
Shiraz University（设拉子大学）；Technical University of Munich（慕尼黑工业大学）
针对无车道交通环境下自动驾驶决策难的问题，提出基于竞争性多智能体深度确定性策略梯度的CAVs多任务驾驶策略，结合车辆间作用力与多目标奖励，经仿真验证可提升自动驾驶的安全性与效率。
2024-06-20 cs.RO
Multi-Robot Coordination in V2X Environments
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；Halmstad University（哈姆斯塔德大学）
本文提出一种V2X通信框架，通过引入机器人中心的服务层服务实现复杂城市交通环境中社交机器人的去中心化协作。
2026-05-07 cs.RO
Autonomous Cooperative Multi-Vehicle System for Interception of Aerial and Stationary Targets in Unknown Environments
Indian Institute of Science（印度科学理工学院）；Robert Bosch Center for Cyber-Physical Systems, Indian Institute of Science（罗伯特·博世信息物理系统中心，印度科学理工学院）
本文介绍了IISc-TCS团队为2020年穆罕默德·本·扎耶德国际机器人挑战赛的挑战1设计、开发和测试硬件软件系统。挑战1的目标是抓住一个球悬挂在一个移动和机动无人机和弹出气球锚定在地面上，使用适当的操纵器。为应对这一挑战而开展的重要任务包括设计和开发具有高效抓取和弹出机制的硬件系统，考虑体积和有效载荷的限制，使用适合户外环境的视觉信息设计精确的目标拦截算法，以及开发用于执行复杂动态任务的动态多智能体空中系统的软件架构。本文设计了一种带有末端执行器的单自由度机械臂，用于抓取和弹出，并针对不确定环境下的目标拦截问题，提出了鲁棒算法。基于追击交战和人工势函数的概念，提出了基于视觉的制导与跟踪律。在这项工作中提出的软件体系结构提出了一个操作管理系统（OMS）的体系结构，分配静态和动态任务之间的多个无人机协作执行任何给定的任务。这项工作的一个重要方面是，所有开发的系统都被设计为在完全自主的模式下运行。详细描述了该体系结构以及在露台环境中的完整挑战模拟和现场实验结果也包括在这项工作中。所提出的硬件-软件系统对于反无人机系统特别有用，并且还可以进行修改以满足其他几种应用。
2021-09-01 cs.RO cs.SY eess.SY
IANN-MPPI: Interaction-Aware Neural Network-Enhanced Model Predictive Path Integral Approach for Autonomous Driving
HRI；University of California Berkeley（加州大学伯克利分校）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对自动驾驶在密集交通中因缺乏交互预测导致的保守规划问题，提出IANN-MPPI控制方法，通过预测周围智能体对MPPI采样控制序列的反应实现交互式轨迹规划，并引入基于样条的先验以提升变道效率。
2025-07-16 cs.RO cs.SY eess.SY
Trust-MARL: Trust-Based Multi-Agent Reinforcement Learning Framework for Cooperative On-Ramp Merging Control in Heterogeneous Traffic Flow
Tsinghua University（清华大学）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
针对异构交通中匝道汇入协同难题，提出基于信任的多智能体强化学习框架Trust-MARL，通过宏观群体协同与微观动态信任机制及博弈决策模块，提升了不同场景下的交通安全性、效率与适应性。
2025-06-14 cs.AI cs.ET cs.GT
SMART-Merge Planner: A Safe Merging and Real-Time Motion Planner for Autonomous Highway On-Ramp Merging
Honda Research Institute, USA (HRI-US)（本田研究院（美国））
提出基于格点的SMART-Merge规划器，通过调整代价项和引入期望速度启发式实现安全舒适的强制高速公路汇入，在数百个仿真场景中达到100%成功率且耗时最短。
2025-07-15 cs.RO cs.SY eess.SY
On-Demand Trajectory Predictions for Interaction Aware Highway Driving
University of Michigan（密歇根大学）
高速公路驾驶对人类驾驶员和自动驾驶汽车（AV）都提出了很高的要求，因为高速和密集交通中的复杂交互。合并到高速公路上带来了额外的挑战，因为它限制了决策可用的时间。准确快速地预测其他人的轨迹对于安全执行机动至关重要。基于神经网络的许多现有预测方法都集中在对相互作用进行建模以实现更好的准确性，同时假设存在超过3s长的观测窗口。本文提出了一种新的概率模型的轨迹预测，执行竞争力少至400毫秒的观察。该模型将确定性跟驰模型扩展到概率环境，将模型参数视为未知随机变量，并引入正则化项。一个实时推理过程推导出估计参数的观测在这个新的模型。在NGSIM数据集上的密集流量实验表明，该方法在高度约束和更传统的观察窗口下都达到了最先进的性能。
2020-03-02 cs.RO eess.SP
An Efficient Approach with Dynamic Multi-Swarm of UAVs for Forest Firefighting
Indian Institute of Science（印度科学院）；Agency for Science, Technology and Research（科技研究局）
本文提出MSCIDC方法，通过多集群协同信息驱动搜索、集群动态调节与分治扑灭控制，实现森林火灾快速探测与扑灭，相比最佳多无人机方法减少65%过火面积和60%任务时间。
2022-11-03 cs.MA cs.RO cs.SY
Multi-Agent Reinforcement Learning for the Low-Level Control of a Quadrotor UAV
George Washington University（乔治·华盛顿大学）
本文提出多智能体强化学习框架，将四旋翼动力学分解为平移和偏航分量并分配协作智能体，结合正则化项，显著提升训练收敛速度、飞行控制性能与稳定性。
2024-02-26 cs.RO cs.SY eess.SY
Multi-vehicle Conflict Resolution in Highly Constrained Spaces by Merging Optimal Control and Reinforcement Learning
University of California at Berkeley（加州大学伯克利分校）
我们提出了一种新的方法来解决问题的多车辆冲突解决在高度受限的空间。一个最优控制问题，制定纳入非线性，非完整的车辆动力学和精确的防撞约束。首先在简化的离散环境中使用强化学习（RL）学习配置策略，然后使用这些策略来塑造原问题的约束空间，从而获得问题的解决方案。仿真结果表明，我们的方法可以探索有效的行动，以解决冲突在有限的空间，并产生灵巧的机动，是无碰撞和运动学上可行的。
2022-11-10 cs.RO cs.SY eess.SY
Merging model-based control with multi-agent reinforcement learning for multi-agent cooperative teaming strategies
Georgia Institute of Technology（佐治亚理工学院）；Sandia National Laboratories（桑地亚国家实验室）
提出一种结合多智能体强化学习与模型预测控制的框架（MA-AC-MPC），通过扩展演员-评论家模型预测控制实现安全、动态可行的协作策略，并在追逃场景和异构环境中验证其优于多层感知机模型。
2026-06-04 cs.LG cs.MA cs.RO
ARBoids: Adaptive Residual Reinforcement Learning With Boids Model for Cooperative Multi-USV Target Defense
Robotics and Control Laboratory, School of Advanced Manufacturing and Robotics, and the State Key Laboratory of Turbulence and Complex Systems, Peking University（机器人与控制实验室，先进制造与机器人学院，湍流与复杂系统国家重点实验室，北京大学）；National Innovation Institute of Defense Technology（国防技术创新研究院）
ARBoids通过结合Boids模型和深度强化学习，提出了一种自适应残差强化学习框架，用于提升多无人水下航行器在对抗性机动下的目标拦截性能。
2025-11-25 cs.CR cs.LG cs.RO
Distributed Safe Cooperative Vector Field for Trajectory Curvature Constrained Multi-Robot Systems
Hunan University（湖南大学）；National University of Defense Technology（国防科技大学）
针对多机器人轨迹曲率约束问题，提出分布式安全协作向量场方法，结合协作与避碰向量场，仅需邻居单个虚拟变量实现协作与避障，经仿真和实验验证。
2026-09-15 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
Integrity-Gated Eco-CACC: Epistemic Admissibility for Cooperative Driving at Signalized Intersections
Chicago State University（芝加哥州立大学）
研究信号交叉口Eco-CACC系统，提出完整性门控框架，结合多种因素构建统一完整性度量调节控制权，仿真表明其在模型一致时保持效率，完整性下降时能早期保守响应，解决现有方法在传感等问题下的不足。
2026-07-22 cs.RO cs.SY eess.SY
Decentralized Modeling of Vehicular Maneuvers and Interactions at Urban Junctions
Delft University of Technology（代尔夫特理工大学）
针对现有城市路口车辆交互建模依赖集中控制或预设路径、不适用于混合自动驾驶交通的问题，提出含上层启发式图搜索轨迹生成、下层预测控制的去中心化双层框架，无需车辆间信息共享，适配感知不确定性等随机因素，在多场景仿真中验证了真实性与准确性。
2025-07-29 cs.RO cs.SY eess.SY
Fault-Tolerant MARL for CAVs under Observation Perturbations for Highway On-Ramp Merging
Department of Automation, Tsinghua University（自动化系，清华大学）；Beijing National Research Center for Information Science and Technology (BNRist), Tsinghua University（北京信息科学与技术国家研究中心（BNRist），清华大学）
本文提出了一种面向高速公路汇入车道的抗观测扰动多智能体强化学习故障容错方法，通过对抗性扰动生成和故障容忍智能体设计，提升协同驾驶系统的安全性和效率。
2025-11-28 cs.LG cs.RO cs.SY
Training Detection-Range-Frugal Cooperative Collision Avoidance Models for Quadcopters via Neuroevolution
University at Buffalo（布法罗大学）
避免小型无人机（UAV）之间碰撞的合作自主方法是UAV在民用空域内安全集成的核心。一种潜在的在线合作方法是互惠行动的概念，其中两个无人机采取预先训练的相互一致的行动，不需要主动在线协调（从而避免与之相关的计算负担和风险）。本文提出了一种基于学习的方法来训练这种相互机动。使用进化算法同时优化神经网络的拓扑结构和权重的神经进化被用作学习方法--它在一组样本方法场景上运行。与大多数现有的工作（最小化旅行距离，能量或风险）不同，这里的训练过程侧重于最小化所需检测范围的目标;这对w.r.t.减轻了对复杂感测的依赖性及其在各种环境下的可靠性。一个专门设计的实验和线搜索用于确定每个样本场景的最小检测范围。为了允许有效的训练过程，分类器用于丢弃控制器会失败的动作（而不模拟它们）。通过神经进化获得的模型被观察到很好地推广到（即，成功避免碰撞）看不见的接近场景。
2019-05-31 cs.LG cs.NE 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
A Learning-Based Framework for Two-Dimensional Vehicle Maneuver Prediction over V2V Networks
利用可靠的轨迹预测方法，可以大大提高车辆网络中的态势感知。更精确的态势感知反过来又会显著提高关键安全应用的性能，例如前向碰撞警告（FCW），以及协同自适应巡航控制（CACC）等舒适性应用。因此，车辆轨迹预测问题需要深入研究，以提出一个端到端的框架，具有足够的精度要求的安全应用程序的控制器。这个问题已经在文献中使用不同的方法来解决。然而，机器学习，这是一个有前途的和新兴的领域，具有显着的潜力，时间序列预测，还没有探索足够的这一目的。在本文中，一个两层的神经网络为基础的系统，预测未来的值的车辆参数，如速度，加速度和横摆角速度，在第一层，然后预测的二维的【形】，即纵向和横向，轨迹点的基础上，第一层的输出。所提出的框架的性能进行了评估，从安全试点模型部署（SPMD）数据集的现实切入的情况下，结果表明，在预测精度相比，运动学模型，这是占主导地位的汽车行业采用的模型有显着的改善。我们的系统评估的理想和非理想的通信环境进行了调查。对于非理想的情况下，估计步骤包括在参数预测块之前的框架中，以处理丢包或传感器故障的缺点，并以期望的频率重建车辆参数的时间序列。
2018-08-01 cs.LG cs.RO stat.ML
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
