Multi-Vehicle Mixed-Reality Reinforcement Learning for Autonomous Multi-Lane Driving
University of Cambridge（剑桥大学）
自动驾驶有望改变道路交通。然而，多车辆和多车道的情况下，提出了独特的挑战，由于受约束的导航和不可预测的车辆相互作用。基于学习的方法--例如深度强化学习--正在成为自动设计智能驾驶策略的一种有前途的方法，可以应对这些挑战。然而，安全地学习多车辆驾驶行为的过程是困难的：虽然碰撞-及其接近避免-对于学习过程至关重要，但直接对自动驾驶车辆执行不成熟的政策会引起相当大的安全问题。在本文中，我们提出了一个安全有效的框架，可以学习在共享工作空间中运行的自动驾驶车辆的驾驶策略，在这种情况下，无法保证没有碰撞。我们的学习过程的关键是一个sim 2 real的方法，使用现实世界的在线政策适应在混合现实设置，其中其他车辆和静态障碍物存在于虚拟域。这使我们能够通过模拟学习代理与虚拟现实中的其他对象之间的碰撞（并从中学习）来执行安全学习。我们的研究结果表明，在混合现实中运行几次后，碰撞显着减少。
2020-02-10 cs.AI cs.LG cs.MA
Safe and Efficient Manoeuvring for Emergency Vehicles in Autonomous Traffic using Multi-Agent Proximal Policy Optimisation
Imperial College London（帝国理工学院）
在紧急车辆存在的情况下的操纵仍然是车辆自主系统的主要问题。大多数针对这一主题的研究都是基于规则的方法，无法涵盖自主交通中可能发生的所有可能情况。多智能体邻近策略优化（MAPPO）最近已经成为自治系统的一种强大方法，因为它允许在数千种不同的情况下进行训练。在这项研究中，我们提出了一种基于MAPPO的方法，以保证在紧急车辆存在的情况下自动驾驶车辆的安全和有效的操纵。我们引入了一个风险度量，总结了潜在的碰撞风险在一个单一的指数。所提出的方法产生的合作政策，允许紧急车辆去在$15 \%$更高的平均速度，同时保持高的安全距离。此外，我们探讨安全和交通效率之间的权衡，并评估在竞争激烈的情况下的性能。
2022-10-31 cs.MA cs.RO
Altruistic Maneuver Planning for Cooperative Autonomous Vehicles Using Multi-agent Advantage Actor-Critic
University of Central Florida（中佛罗里达大学）；Stanford University（斯坦福大学）；University of California, Santa Barbara（加州大学圣巴巴拉分校）
本文提出一种多智能体优势Actor-Critic算法，用于自动驾驶车辆在混合交通环境中的利他性动作规划，以提升交通效率与安全。
2021-07-12 cs.AI cs.RO
Interactive Decision Making for Autonomous Vehicles in Dense Traffic
Honda Research Institute USA（本田美国研究院）
密集的城市交通环境可能会产生准确的预测和动态模型不足以成功进行自动驾驶车辆运动规划的情况。我们调查如何一个自主智能体可以安全地与其他交通参与者进行谈判，使代理处理潜在的死锁。具体来说，我们考虑合并的地方，汽车之间的差距小于自我车辆的大小。我们提出了一个能够生成和响应交互行为的博弈论框架。我们的主要贡献是展示如何游戏树决策可以由自动驾驶汽车执行，包括近似和推理，使树搜索计算上容易处理。此外，为了测试我们的模型，我们开发了一个随机的基于规则的交通代理能够生成交互式的行为，可以作为一个基准，用于模拟交通参与者在拥挤的合并设置。
2019-09-27 cs.AI cs.RO
A Software Architecture for Autonomous Vehicles: Team LRM-B Entry in the First CARLA Autonomous Driving Challenge
University of São Paulo（圣保罗大学）
第一届CARLA自动驾驶挑战赛的目标是部署自动驾驶系统，以应对所有参与者都面临相同挑战的复杂交通情况。据主办方介绍，这项比赛是一种民主化和加速自动驾驶汽车在世界各地的研究和开发的方式，使用CARLA模拟器有助于自动驾驶汽车领域的发展。因此，本文提出了一个自动驾驶汽车在模拟城市环境中的导航，试图犯下最少的交通违规行为，作为基线的自主导航CaRINA 2平台的原始架构的架构设计。我们的代理人在模拟场景中旅行了几个小时，展示了他的能力，赢得了挑战赛四条赛道中的三条，并在剩下的赛道中排名第二。我们的架构是为了满足CARLA自动驾驶挑战赛的要求而设计的，包括使用3D点云进行障碍物检测、使用卷积神经网络（CNN）和深度信息进行交通标志检测和分类、使用短期运动预测进行碰撞检测的风险评估、使用马尔可夫决策过程（MDP）进行决策以及使用模型预测控制（MPC）进行控制。
2020-10-23 cs.AI cs.RO
Comprehensive Autonomous Vehicle Optimal Routing With Dynamic Heuristics
Vellore Institute of Technology（韦洛尔理工学院）
针对自动驾驶车辆网络，提出一种结合动态启发式的混合AV网络最优路径规划模型，通过多车协同与实时适应提升交通效率、乘客舒适度和安全性。
2024-03-17 cs.AI cs.RO
Assessing behaviour coverage in a multi-agent system simulation for autonomous vehicle testing
University of Bristol（布里斯托大学）
本研究提出了一种基于模型预测控制的行人智能体，用于评估多智能体系统模拟在自动驾驶测试中的行为覆盖率，以提升系统安全性和可靠性。
2025-12-29 cs.LG cs.MA cs.RO
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
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
GSAVS: Gaussian Splatting-based Autonomous Vehicle Simulator
UC Santa Cruz（加州大学圣克鲁兹分校）
本文提出GSAVS自动驾驶模拟器，将3D高斯泼溅资产集成到经典3D引擎中，兼顾照片级真实感渲染与灵活定制，支持自动驾驶模型开发。
2024-12-25 cs.AI cs.LG 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
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
Controlling an Autonomous Vehicle with Deep Reinforcement Learning
University of Bremen（不来梅大学）
提出了一种基于深度强化学习的自主车辆控制方法。一个神经网络代理被训练来映射其估计的状态，以加速和转向命令给定的目标，达到一个特定的目标状态，同时考虑检测到的障碍。使用最先进的近端策略优化结合模拟环境来执行学习。从头开始的训练需要五到九个小时。由此产生的代理在模拟和随后应用到控制一个全尺寸的研究车辆进行评估。为此，考虑了停车场的自主探索，包括转弯机动和避障。总而言之，这项工作是第一个成功将深度强化学习应用于真实车辆的例子。
2020-03-13 cs.AI cs.LG 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
Receive, Reason, and React: Drive as You Say with Large Language Models in Autonomous Vehicles
Purdue University（普渡大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Virginia（弗吉尼亚大学）
本文提出利用大型语言模型（LLMs）增强自动驾驶决策的框架，通过思维链提示和口头反馈实现个性化驾驶，实验证明其提升决策质量并支持透明、自适应的自动驾驶系统。
2023-10-12 cs.AI cs.HC 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
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
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
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
Game-Theoretic Modeling of Driver and Vehicle Interactions for Verification and Validation of Autonomous Vehicle Control Systems
University of Michigan（密歇根大学）；Bilkent University（比尔肯大学）
近年来，自动驾驶一直是工业界和学术界越来越感兴趣的主题。目前正在认真努力解决法律、技术和物流问题，使自动驾驶汽车成为日常交通的可行选择。一个重大挑战是验证和确认这些车辆中采用的决策和控制算法所需的时间和精力，以确保安全舒适的驾驶体验。需要进行数十万英里的驾驶测试，以实现良好校准的控制系统，该系统能够在车辆和驾驶员之间同时发生多种交互的不确定交通环境中操作自动驾驶车辆。交通模拟器可以对这些交互进行建模并以合理的保真度表示，通过提供一个可以在实际道路测试之前快速安全地实现可接受的初始控制校准的场所，可以帮助减少开发自动驾驶控制算法所需的时间和精力。在本文中，我们提出了一个博弈论的交通模型，可用于1）测试和比较各种自主车辆的决策和控制系统和2）校准现有的控制系统的参数。我们展示了两个案例研究，其中，在第一种情况下，我们测试和定量比较两个自动驾驶汽车控制系统的安全性和性能，在第二种情况下，我们优化的自动驾驶汽车控制系统的参数，利用建议的交通模型和仿真环境。
2016-08-30 cs.AI cs.GT
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
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
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
Safe Reinforcement Learning on Autonomous Vehicles
Honda Research Institute USA（美国本田研究所）
强化学习已经取得了许多进展，但学习过程的典型不受约束的探索阻止了这些方法在许多安全关键应用中的采用。安全强化学习的最新工作使用理想化模型来实现其保证，但这些模型不容易适应现实世界系统的随机性或高维性。我们研究了预测如何为约束探索提供一个通用和直观的框架，并展示了它如何用于安全地学习自动驾驶汽车上的交叉路口处理行为。
2019-09-27 cs.AI cs.LG cs.RO
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
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
Quantum Artificial Intelligence for Secure Autonomous Vehicle Navigation: An Architectural Proposal
University of Rhode Island（罗德岛大学）；Carleton University（卡尔顿大学）
本文提出一种基于量子人工智能的自动驾驶导航架构，利用量子神经网络融合多模态传感器数据，通过Nav-Q强化学习优化导航策略，并采用后量子密码保障通信安全。
2025-06-19 cs.AI cs.ET cs.RO
Competitive Driving of Autonomous Vehicles
Ariel University（阿里埃勒大学）
本文介绍了Ariel Team为Indy Autonomous Challenge（IAC）模拟比赛开发的自主赛车控制器。IAC是第一个多车辆自动驾驶的头对头比赛，沿着椭圆形赛道达到300公里/小时的速度，模仿印第安纳波利斯赛车场（IMS）。我们的赛车控制器试图最大限度地提高沿赛道的进展，同时避免与对手车辆碰撞，并遵守比赛规则。为此，比赛控制器首先离线计算比赛线。然后，它反复在线计算一小组动态可行的机动候选，每个测试与对手车辆的碰撞。最后，它选择的机动，最大限度地提高沿轨道的进展，考虑到种族线。机动候选人，以及对手车辆的预测轨迹，近似使用点质量模型。尽管这个赛车控制器很简单，但它在IAC最终模拟比赛中成功地驾驶了比赛，并且没有与任何对手车辆发生碰撞。
2022-10-30 cs.RO
The Role of the Hercules Autonomous Vehicle During the COVID-19 Pandemic: An Autonomous Logistic Vehicle for Contactless Goods Transportation
自二零二零年初以来，2019冠状病毒病（COVID-19）在全球迅速蔓延。截至本文撰写之日，全球已有223个国家和地区报告了这种疾病，感染人数超过1.08亿，死亡人数超过240万（https：//covid19.who.int/，2021年2月17日访问）。避免人与人之间的传播是控制和预防大流行病的有效方法。然而，许多日常活动，如我们日常生活中的货物运输，不可避免地涉及人与人之间的接触。使用自动物流车辆来实现非接触式货物运输可以缓解这个问题。例如，它可以降低司机和客户之间病毒传播的风险。此外，许多国家已实施严格的封锁措施以减少病毒传播（例如，零售、餐饮），给人们的日常生活带来不便。自动驾驶汽车可以运送人类购买的货物，使人类不需要出门就可以拿到货物。这些需求促使我们开发一款名为Hercules的自动驾驶汽车，用于COVID-19疫情期间的非接触式货物运输。通过在各种交通条件下的实际交付任务对车辆进行评估。
2021-02-17 cs.CV cs.RO
Towards Mechatronics Approach of System Design, Verification and Validation for Autonomous Vehicles
Clemson University International Center for Automotive Research（克莱姆森大学国际汽车研究中心）
本文将机电一体化系统设计、验证与确认方法应用于自动驾驶车辆开发，通过多学科协同设计、虚拟/混合/物理原型与并行工程框架，并基于AutoDRIVE生态系统和自动泊车案例验证其有效性。
2023-05-13 cs.RO
A Brief Survey on Autonomous Vehicle Possible Attacks, Exploits and Vulnerabilities
Amrita School of Engineering（阿姆里塔工程学院）；Amrita Vishwa Vidyapeetham（阿姆里塔维迪亚佩瑟姆大学）
先进的驾驶辅助系统正在快速发展，所有主要公司都开始投资开发自动驾驶汽车。但其安全性和可靠性仍存在不确定性和争议。想象一下，一辆车被攻击者破坏了，然后他们可以做什么。攻击者可以控制刹车，加速甚至转向，这可能导致灾难性的后果。本文简要概述了对自动驾驶汽车软件和硬件的大多数可能攻击及其潜在影响。
2018-10-03 cs.CV cs.HC cs.RO
Optimal Trajectory Generation for Autonomous Vehicles Under Centripetal Acceleration Constraints for In-lane Driving Scenarios
本文提出了一种新的方法，生成最佳轨迹的自动驾驶车辆在车道内行驶的情况下。该方法使用两阶段优化过程来计算轨迹。在第一阶段，优化过程产生一个封闭形式的驾驶指导线与可重构的曲率。在第二阶段，该程序以行驶引导线为输入，输出车辆沿引导线行驶的动态可行、加加速度和时间最优轨迹。该方法对于在弯曲道路上生成轨迹特别有用，其中车辆需要施加频繁的加速和减速以适应向心加速度限制。
2021-12-03 cs.RO
Steer with Me: A Predictive, Potential Field-Based Control Approach for Semi-Autonomous, Teleoperated Road Vehicles
Technical University of Munich (TUM)（慕尼黑工业大学）
自动驾驶是未来最有前途的交通安全技术之一。如今，自动驾驶汽车的原型已经在公共街道上进行了测试。然而，尽管目前的原型证明了真正无人驾驶汽车的可行性，但边缘情况仍然需要依靠人类操作员。遥控驾驶是一种允许人类通过移动无线电网络远程控制车辆的解决方案。因此，取消车载驾驶员将使当前的自动驾驶技术进一步发展成为真正的无人驾驶系统。本文提出了一种新的模型预测转向控制方案，专门为半自主，遥控道路车辆设计。控制器能够接收遥控操作员的转向命令，并且在潜在碰撞的情况下，自动校正这些命令。碰撞避免被纳入使用势场的设计。成本函数中的一个项有助于自然机动，并且对最大潜力的约束使车辆保持与障碍物的安全距离。本文还提出了使用高阶椭圆作为一种方法，以准确地模拟矩形障碍物在紧张的驾驶场景。仿真结果证明了该方法的有效性。
2020-06-28 cs.RO
Accurate indoor mapping using an autonomous unmanned aerial vehicle (UAV)
University of Melbourne（墨尔本大学）；Metropolitan Fire Brigade（大都会消防局）
自主室内飞行器需要可靠的同时定位和地图绘制（SLAM）、精确的飞行控制和鲁棒的导航路径规划。本文提出了一个系统级的组合，这些现有的二维导航技术。一种名为URSA（无人侦察和安全飞机）的无人机（UAV）可以自主飞行并以2 cm的精度绘制室内环境。在室内环境中的性能进行了评估的绘图和导航精度。
2018-07-31 cs.RO eess.IV
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
Lane Detection For Prototype Autonomous Vehicle
Istanbul University-Cerrahpasa（伊斯坦布尔大学-切尔拉帕萨校区）
无人驾驶车辆技术是当今理论和实践中非常感兴趣的领域。这些技术在第一批应用实施后取得了相当大的进步，并迅速改变了人类生活。自动驾驶汽车也是这些技术的重要组成部分。驾驶员必须做的最重要的动作是沿着车道行驶到目的地。通过使用图像处理和人工智能技术，自动驾驶车辆可以在没有驾驶员帮助的情况下成功移动。它们可以通过应用预定义的规则从初始点到指定的目标。也有适当跟踪车道的规则。许多事故都是由于对车道的跟进不足和不遵守这些规则造成的。这些事故中的大多数也会导致受伤和死亡。在本文中，我们提出了一个自动驾驶汽车的原型，遵循车道通过图像处理技术，这是一个重要组成部分的自动驾驶汽车技术。自主运动的能力是通过使用一些图像处理算法，如Canny边缘检测，Sobel滤波器等，我们实现和测试这些算法的车辆。车辆检测到并按照确定的车道行驶。就这样，它顺利地到达了目的地。
2019-12-11 cs.CV cs.RO
Interaction-Aware Trajectory Prediction and Planning for Autonomous Vehicles in Forced Merge Scenarios
University of Michigan（密歇根大学）；Ford Motor Company（福特汽车公司）
一般来说，合并对于人类驾驶员和自动驾驶车辆来说都是一项具有挑战性的任务，特别是在密集的交通中，因为合并车辆通常需要与其他车辆交互以识别或创建间隙并安全地合并。在本文中，我们考虑的问题，自主车辆控制强制合并的情况下。我们提出了一种新的博弈论控制器，称为领导者-追随者游戏控制器（LFGC），其中自主自我车辆和其他车辆与先验不确定的驾驶意图之间的相互作用被建模为部分可观察的领导者-追随者游戏。LFGC根据观测到的轨迹在线估计其他车辆的意图，然后预测它们的未来轨迹，并使用模型预测控制（MPC）规划自我车辆的自身轨迹，以同时实现概率上保证的安全和合并目标。为了验证LFGC的性能，我们在模拟和NGSIM数据中对其进行了测试，LFGC在合并中表现出97.5%的高成功率。
2021-12-14 cs.RO cs.SY eess.SY
FollowMe: Vehicle Behaviour Prediction in Autonomous Vehicle Settings
Meta Reality Labs（元现实实验室）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）；University of Washington（华盛顿大学）
本文提出 FollowMe 数据集和 FollowMe-STGCNN 深度时空图模型，用于在给定领航车路线条件下预测自车轨迹，并通过实验证明该模型能有效捕捉车辆交互，优于现有运动预测方法。
2023-04-12 cs.CV cs.RO
