CC-SGG: Corner Case Scenario Generation using Learned Scene Graphs
Oxford Robotics Institute（牛津机器人研究所）；University of Oxford（牛津大学）
提出基于异构图神经网络的方法，通过场景图扰动将常规驾驶场景转化为边界案例，以89.9%的预测准确率生成关键测试场景，用于增强自动驾驶安全性验证。
2024-02-06 cs.AI cs.CV cs.LG
Space, Time, and Interaction: A Taxonomy of Corner Cases in Trajectory Datasets for Automated Driving
FZI Research Center for Information Technology（FZI信息技术研究中心）；University of Kassel（卡塞尔大学）；University of Wuppertal（伍珀塔尔大学）；German Aerospace Center (DLR)（德国航空航天中心（DLR））；Robert Bosch GmbH（罗伯特·博世有限公司）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
轨迹数据分析是高度自动化驾驶的重要组成部分。利用这些数据开发的复杂模型可以预测其他道路使用者的运动和行为模式。基于这些预测-以及额外的上下文信息，例如道路路线，（交通）规则以及与其他道路使用者的交互-高度自动化车辆（HAV）必须能够可靠且安全地执行分配给它的任务，例如，从A点移动到B点理想情况下，HAV可以安全地通过其环境，就像我们期望人类驾驶员所做的那样。然而，如果出现不寻常的轨迹，即所谓的轨迹拐角情况，人类驾驶员通常可以很好地应对，但HAV可能很快陷入困境。在轨迹角的情况下，我们在这项工作中提供的定义，我们将考虑不寻常的轨迹与手头的任务相关。在此基础上，我们还将提出一个不同的轨迹角的情况下分类。分类法中的极端情况的分类将通过示例显示，并通过原因和所需的数据源完成。为了说明机器学习（ML）模型和极端情况原因之间的复杂性，我们提出了一个通用的处理链的分类。
2022-10-17 cs.AI cs.RO
Exploring the Boundaries: Thorough Software Testing for Safety-Critical Driving Scenarios Based on Kinematics in the Context of Autonomous Driving
Esslingen University of Applied Sciences（埃斯林根应用科学大学）
本文研究自动驾驶中基于运动学的安全关键边角场景测试，提出运用边界值分析识别最小距离等极端条件，以提升系统鲁棒性并为相关人员提供测试指导。
2023-06-02 cs.RO
Corner Case Generation and Analysis for Safety Assessment of 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）
测试和评估是开发和部署互联和自动驾驶汽车（CAV）的关键一步。为了全面评价CAV的性能，有必要在安全关键场景中测试CAV，这在自然驾驶环境中很少发生。因此，如何有目的、有系统地生成这些角点案例成为一个重要的问题。现有的研究主要集中在感知系统的对抗性样本生成方面，而决策系统的研究则相对较少，这也是本文的重点。由于CAV需要与大量的背景车辆（BV）进行长时间的交互，定义拐角情况的变量通常是高维的，这使得生成具有挑战性的问题。在本文中，提出了一个统一的框架来生成决策系统的角情况。为了解决高维性带来的挑战，基于马尔可夫决策过程对驾驶环境进行建模，并应用深度强化学习技术学习BVs的行为策略。通过学习策略，BV将更积极地与CAV进行行为和交互，从而导致更多的角落情况。为了进一步分析生成的角点情况，利用特征提取和聚类技术。通过选择每个聚类的代表性案例和离群值，可以从所有生成的角点案例中识别出有价值的角点案例。高速公路驾驶环境的仿真结果表明，所提出的方法可以有效地产生和识别有价值的角点情况。
2021-02-06 cs.AI cs.LG cs.RO
One Ontology to Rule Them All: Corner Case Scenarios for Autonomous Driving
FZI Research Center for Information Technology（FZI信息技术研究中心）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
针对自动驾驶罕见事件长尾问题，本文提出可覆盖文献中各类极端场景的主本体，并能自动派生场景本体、转换为 OpenSCENARIO 后在仿真中执行，用于生成合成训练及测试评估数据。
2022-10-04 cs.RO
CARLA-GS: Decoupling Representation, Reasoning, and Physics Simulation for Autonomous Driving Corner-Case Synthesis
Rensselaer Polytechnic Institute（伦斯勒理工学院）
研究自动驾驶极端情况合成问题，提出CARLA-GS模块化管道，解耦视觉表示、语义推理和物理执行并保持跨模块耦合，能从实际驾驶数据生成可编辑场景，经多智能体大语言模型推理等步骤，实现可控生成及逼真、时空一致的视频。
2026-07-09 cs.AI cs.RO
Pedestrian Behavior Prediction for Automated Driving: Requirements, Metrics, and Relevant Features
Bosch Center for Artificial Intelligence（博世人工智能中心）；Robert Bosch GmbH（罗伯特·博世有限公司）
该研究针对自动驾驶中行人行为预测的难点，通过系统级方法分析需求、提出新型系统视角预测指标，经大规模真实数据集验证及消融实验，证明了系统级方法的重要性。
2021-10-16 cs.LG cs.RO
Performance evaluation of a ROS2 based Automated Driving System
Fraunhofer Institute for Open Communication Systems (FOKUS)（弗劳恩霍夫开放通信系统研究所）；Daimler Center for Automotive Information Technology Innovations (DCAITI)（戴姆勒汽车信息技术创新中心）；University of Potsdam（波茨坦大学）
针对自动驾驶系统的时间关键特性需求，本文对常用于连接自动驾驶组件的ROS2框架开展时效性与错误率的全面性能评估，验证了其适配自动驾驶系统的可行性。
2025-10-28 cs.RO
First-principles Based 3D Virtual Simulation Testing for Discovering SOTIF Corner Cases of Autonomous Driving
Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））
本文提出基于第一性原理的传感器建模与环境交互方案并集成到CARLA中，结合元启发式算法指导场景种子与变异，显著提升自动驾驶SOTIF边缘案例发现效率，实验发现案例数量约为现有最优方法的四倍。
2024-01-22 cs.RO cs.SE
Anomaly Detection in Multi-Agent Trajectories for Automated Driving
Mercedes-Benz AG（梅赛德斯-奔驰股份公司）；Ulm University（乌尔姆大学）
人类驾驶员可以快速识别异常驾驶情况，以避免事故。与人类类似，自动驾驶汽车应该执行异常检测。在这项工作中，我们提出了时空图自动编码器学习正常的驾驶行为。我们的创新是能够共同学习动态数量的代理的多个轨迹。为了执行异常检测，我们首先估计学习的轨迹特征表示的密度函数，然后检测低密度区域中的异常。由于缺乏用于自动驾驶中异常检测的多智能体轨迹数据集，我们使用驾驶模拟器介绍了我们的数据集，用于正常和异常操纵。我们的评估表明，我们的方法学习不同的代理之间的关系，并提供有前途的结果相比，相关的作品。代码、模拟和数据集可在https://github.com/againerju/maad_highway上公开获得。
2021-10-28 cs.LG cs.MA cs.RO
An Application of Scenario Exploration to Find New Scenarios for the Development and Testing of Automated Driving Systems in Urban Scenarios
FZI Research Center for Information Technology（FZI信息技术研究中心）；IPG Automotive GmbH（IPG汽车有限公司）
验证和确认是开发自动驾驶系统的主要挑战。在自动驾驶测试中，越来越多的人认识到一个概念，那就是基于Asio的测试。然而，它引入了一个问题，即哪些场景与测试相关，哪些场景与测试无关。这项工作的目的是找到相关的，有趣的，或关键的参数集的逻辑方案，利用贝叶斯优化和高斯过程。在两个城市交叉口的场景中，通过比较和评估六种不同的指标来进行参数优化。最后，提出了这项工作产生的以及应该进一步研究的想法清单。
2022-05-17 cs.LG cs.RO cs.SE
Driving Style Encoder: Situational Reward Adaptation for General-Purpose Planning in Automated Driving
Volkswagen AG（大众汽车公司）；Technische Universität Darmstadt（达姆施塔特工业大学）
自动驾驶的通用规划算法结合了任务、行为和局部运动规划。这种规划算法将环境和驾驶运动学的特征映射到复杂的奖励函数中。为了实现这一目标，规划专家通常依赖于线性奖励函数。这些奖励函数的规范和调优是一个繁琐的过程，需要大量的经验。此外，手动设计的线性奖励函数不能在不同的驾驶情况下推广。在这项工作中，我们提出了一种基于逆强化学习的深度学习方法，该方法可以生成依赖于情境的奖励函数。我们的神经网络提供了一个基于模型预测控制的规划器的采样驾驶策略的特征和动作之间的映射，并预测即将到来的规划周期的奖励函数。在我们的评估中，我们将深度网络预测的奖励函数的驱动风格与聚类和线性奖励函数进行了比较。我们提出的深度学习方法优于集群线性奖励函数，并且与具有有关情况的先验知识的线性奖励函数相当。
2020-09-13 cs.AI cs.LG cs.RO
survAIval: Survival Analysis with the Eyes of AI
University of Wuppertal（伍珀塔尔大学）；Technical University Berlin（柏林工业大学）
本研究利用自研驾驶模拟器生成安全关键corner cases来增强自动驾驶训练数据，并验证了专家模型相比通用模型在跨天气和时段领域差距下的性能与效率优势，为提升自动驾驶安全性提供了新路径。
2023-05-23 cs.CV cs.LG cs.RO
Extraction of Road Users' Behavior From Realistic Data According to Assumptions in Safety-Related Models for Automated Driving Systems
Johannes Kepler University Linz（约翰内斯·开普勒大学林茨分校）
本文依据 IEEE Standard 2846-2022，从 UniD 真实数据中提取道路使用者的运动学边界，为自动驾驶系统测试提供场景参数与起始条件。
2025-03-18 cs.RO
Toward a Full-Stack Co-Simulation Platform for Testing of Automated Driving Systems
Institute of Automotive Engineering（汽车工程研究所）；Graz University of Technology（格拉茨理工大学）；College of Transportation Engineering（交通工程学院）；Tongji University（同济大学）
本文提出一种全栈式协同仿真平台，基于CarMaker、ROS和Apollo，实现从真实数据自动生成场景并高效验证自动驾驶系统，仿真结果验证了其有效性。
2025-07-09 cs.RO
Scenario-Based Hierarchical Reinforcement Learning for Automated Driving Decision Making
Reasoning Chair RWTH Aachen University（推理主席 雷姆辛大学）；Institute for Automotive Engineering RWTH Aachen University（汽车工程研究所 雷姆辛大学）
本文提出SAD-RL框架，通过分层强化学习结合场景化环境训练自动驾驶决策策略，解决了复杂任务泛化性与学习效率问题，实现安全行为。
2025-06-28 cs.AI cs.LG cs.RO
MTRDrive: Memory-Tool Synergistic Reasoning for Robust Autonomous Driving in Corner Cases
School of Vehicle and Mobility, Tsinghua University（清华大学车辆与移动系统学院）；Automotive and Robotics, Xiaomi Corporation（小鹏汽车与机器人部）；McGill University（麦吉尔大学）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
针对视觉语言模型在自动驾驶边缘案例中的脆弱性，提出MTRDrive框架，融合记忆检索与动态工具包，在NAVSIM和Roadwork-VLM基准上取得领先性能，显著提升零样本泛化与决策能力。
2025-09-25 cs.RO
DeepCrashTest: Turning Dashcam Videos into Virtual Crash Tests for Automated Driving Systems
Arizona State University（亚利桑那州立大学）
本文的目标是生成具有真实碰撞场景的模拟，用于训练和测试自动驾驶车辆。我们使用互联网上上传的大量dashcam碰撞视频来提取有价值的碰撞数据，并在模拟器中重现碰撞场景。我们解决的问题，提取3D车辆轨迹从视频记录的一个未知的和未校准的单目摄像机源使用模块化的方法。论文提供了一个工作架构和演示视频以及开源实现。
2020-03-26 cs.CV cs.LG cs.RO
Predicting Driver Takeover Time in Conditionally Automated Driving
The University of Michigan（密歇根大学）；University of Pittsburgh（匹兹堡大学）；University of Michigan（密歇根大学）
在条件自动驾驶中确保安全的接管过渡是非常重要的。量化安全接管过渡的关键因素之一是接管时间。以往的研究确定了许多因素对接管时间的影响，如接管前置时间，非驾驶任务，接管请求（TORs）的方式，和场景的紧迫性。然而，目前还缺乏同时考虑这些因素来预测收购时间的研究。为此，我们使用了极限梯度提升（XGBoost）来预测接管时间，使用的数据集来自荟萃分析研究[1]。此外，我们使用SHAP（SHapley Additive exPlanation）来分析和解释预测因子对收购时间的影响。我们确定了七个最关键的预测因子，这些因子导致了最佳的预测性能。研究了它们对接管时间的主效应和交互效应。实验结果表明，该方法具有良好的性能和可解释性。我们的研究结果对车载监控和警报系统的设计有影响，以促进驾驶员和自动驾驶汽车之间的互动。
2021-07-20 cs.HC cs.LG cs.RO
Driving with Style: Inverse Reinforcement Learning in General-Purpose Planning for Automated Driving
Volkswagen AG（大众汽车公司）；Technische Universität Darmstadt（达姆施塔特工业大学）
行为和运动规划在自动驾驶中起着重要的作用。传统上，行为规划器用预定义的行为指示局部运动规划器。由于城市环境中场景的高度复杂性，可能会发生不可预测的情况，其中行为规划者无法匹配预定义的行为模板。最近，已经引入了通用规划器，其结合了行为和局部运动规划。这些通用规划器允许给定单个奖励函数的行为感知运动规划。然而，出现了两个挑战：首先，该函数必须将复杂的特征空间映射到奖励。其次，奖励功能必须由专家手动调整。手动调整此奖励函数成为一项繁琐的任务。在本文中，我们提出了一种方法，依赖于人类驾驶示范自动调整奖励功能。该研究为基于最大熵逆强化学习的通用规划者驾驶风格优化提供了重要的思路。我们评估我们的方法的基础上学习和演示的政策之间的期望值差异。此外，我们比较了人类驱动的轨迹与我们的计划器的最优策略下学习和专家调整的奖励函数的相似性。我们的实验表明，我们能够学习奖励函数超过手动专家调整的水平，没有事先的领域知识。
2020-09-12 cs.AI cs.LG cs.RO
Analysis of Truck Driver Behavior to Design Different Lane Change Styles in Automated Driving
Institute of Industrial Science, The University of Tokyo（东京大学工业科学研究所）；Hino Motors, Ltd.（日野汽车公司）
车道变换是一项非常苛刻的驾驶任务，许多交通事故都是由错误的操纵引起的。自动变道系统有可能减少驾驶员的工作量并提高驾驶安全性。一个挑战是如何提高驾驶员对自动化系统的接受度。从人为因素的角度来看，具有不同风格的自动化系统将提高用户的接受度，因为驾驶员可以根据不同的驾驶情况调整风格。通过对卡车驾驶员行为的分析和建模，提出了一种自动驾驶中不同换道方式的设计方法。在卡车驾驶模拟器上进行了12名驾驶员的实验，以识别驾驶员模型参数，并将三种换道风格分为激进，中等和保守的。建议的自动变道系统进行了评估的另一个卡车驾驶模拟器实验与相同的12个参与者。此外，不同的驾驶风格对驾驶员的经验和接受的影响进行了评估。评价结果表明，驾驶员能够区分不同的换道方式，驾驶员对三种换道方式的安全性评价总体上都是可以接受的，驾驶员对三种换道方式的评价是可靠的。这项研究为设计具有不同驾驶风格的自动驾驶系统提供了见解，研究结果可以应用于商业自动驾驶卡车。
2020-12-30 cs.HC cs.RO cs.SY
Learning-Based Behavior Planning for Automated Driving: Real-World Integration and Deployment
RWTH Aachen University（亚琛工业大学）；Technical University of Munich（慕尼黑工业大学）
本文提出结合机器学习与经典方法的混合规划架构，通过深度神经网络解读交通场景、优化监督层验证约束，经实车部署验证其在自动驾驶行为规划中的有效性。
2026-08-13 cs.AI cs.LG cs.RO
Risk-Aware High-level Decisions for Automated Driving at Occluded Intersections with Reinforcement Learning
Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
强化学习是当今解决自动驾驶中不同决策问题的流行框架。然而，仍有一些关键挑战需要解决，以提供更可靠的政策。在本文中，我们提出了一个通用的风险意识的DQN方法，以学习高层次的行动，通过无信号闭塞路口驾驶。所提出的状态表示提供了基于车道的信息，其允许用于多车道场景。此外，我们提出了一个基于风险的奖励函数，它惩罚有风险的情况，而不仅仅是碰撞失败。这种奖励方法有助于将风险预测纳入我们的深度Q网络，并学习更可靠的策略，在具有挑战性的情况下更安全。所提出的方法的效率相比，与传统的碰撞为基础的奖励计划，也与基于规则的交叉口导航政策的DQN学习。评估结果表明，所提出的方法优于这两种方法。它提供了比冲突感知DQN方法更安全的操作，并且比基于规则的策略更谨慎。
2020-04-09 cs.AI cs.LG cs.RO
A Survey on Knowledge Graph-based Methods for Automated Driving
Robert Bosch GmbH（罗伯特·博世有限公司）；Robert Bosch LLC（罗伯特·博世有限责任公司）
自动驾驶是计算机科学中最活跃的研究领域之一。深度学习方法在一般的机器学习，特别是自动驾驶（AD）方面取得了显着的突破。然而，仍然存在未解决的问题，以保证自动化系统的可靠性和安全性，特别是有效地将所有可用的信息和知识纳入驾驶任务。知识图谱（KG）最近获得了工业界和学术界的极大关注，因为它可以通过利用结构化、动态和关系数据而受益。具有对象之间的复杂关系和相互依赖性的图结构数据的复杂性对现有的机器学习算法提出了重大挑战。然而，知识图谱嵌入和图神经网络的最新进展允许将机器学习应用于图结构数据。因此，我们激励和讨论的潜在好处KG应用于AD的主要任务，包括1）本体2）感知，3）场景理解，4）运动规划，和5）验证。然后，我们调查，分析和分类的本体和知识库为基础的方法为AD。我们讨论了目前的研究挑战，并提出了有前途的未来研究方向为KG为基础的解决方案AD。
2022-09-30 cs.AI cs.LG cs.RO
Architecting Safety Supervisors for High Levels of Automated Driving
KTH（皇家理工学院）
自动驾驶的复杂性对提供安全保证提出了挑战。专注于自动驾驶智能（ADI）的架构，即高水平自动驾驶所需的计算智能，传感器和通信，我们调查了所谓的安全监督器，以补充标称功能。我们提出了一个问题的制定和容错ADI，包括一个标称和安全监督通道的功能架构。然后，我们讨论了危险事件的来源，渠道之间的责任分工，以及何时主管应该接管。最后，我们确定了进一步工作的方向。
2019-12-05 cs.RO cs.SY eess.SY
Learning to falsify automated driving vehicles with prior knowledge
BMW Group（宝马集团）；University of Padova（帕多瓦大学）
虽然自动驾驶技术已经取得了巨大的进步，但安全的自动驾驶和自动驾驶车辆的可扩展和严格的测试和验证仍然具有挑战性。本文提出了一种基于学习的证伪框架，用于测试模拟中自动化或自驱动功能的实现。我们假设函数规范与可能场景上的违规度量相关联。先验知识被纳入到限制的情况下的参数方差和基于模型的证伪指导和改善学习过程。对于示例性自适应巡航控制器，与通过纯粹基于学习或纯粹基于模型的伪造方法获得的场景相比，所提出的框架产生具有更高奖励的非平凡伪造场景。
2021-01-25 cs.AI cs.RO cs.SY
Impact of Level 2/3 Automated Driving Technology on Road Work Zone Safety
Faculty of Railway Transportation, Shanghai Institute of Technology（上海应用技术大学轨道交通学院）；College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）
本文通过微观交通仿真和全类型交通冲突技术，研究 Level 2/3 自动驾驶车辆在高速公路施工区中的脱离与接管行为对安全的影响，发现提高市场渗透率可减少单车冲突但增加多车冲突，并指出应优化脱离检测与接管机制。
2025-03-05 cs.AI cs.MA cs.RO
Design of Reward Function on Reinforcement Learning for Automated Driving
Innovative Research Excellence, Honda R&D Co., Ltd.（本田研发有限公司创新研究卓越部）；Business Development Operations, Honda Motor Co., Ltd.（本田汽车有限公司业务开发运营部）
针对强化学习传统奖励函数不评估驾驶过程的问题，提出适配自动驾驶的过程式奖励函数设计方案，经模拟实验验证可实现合理的弯道与高速巡航驾驶行为。
2025-03-20 cs.RO
Hybrid Deep Reinforcement Learning and Planning for Safe and Comfortable Automated Driving
Saarland University（萨尔大学）；German Research Center for Artificial Intelligence（德国人工智能研究中心）
我们提出了一种新的混合学习方法，HyLEAR，用于解决POMDPs中自动驾驶汽车的无碰撞导航问题。HyLEAR利用插入式学习将混合规划器的知识嵌入深度强化学习器中，以更快地确定安全舒适的驾驶策略。特别地，混合规划器将行人路径预测和风险感知路径规划与基于驾驶行为规则的推理相结合，使得驾驶策略还尽可能地考虑乘坐舒适性和给定的驾驶行为规则集。我们对关键交通场景的CARLA-CTS 1基准的实验性能分析表明，HyLEAR在安全性和乘坐舒适性方面可以显着优于选定的基线。
2022-12-30 cs.AI cs.RO
ExceptionDrive: A Planning-Oriented Counterfactual Corner-Case Benchmark for Autonomous Driving
Zhejiang University（浙江大学）；Yinwang Intelligent Technology Co., Ltd.（银望智能科技有限公司）
ExceptionDrive提出反事实边缘场景基准，通过VLM辅助插入危险到真实场景，评估规划器可靠性，并开发提醒代理提升零样本决策准确性。
2026-09-30 cs.AI cs.RO
Overview of Tools Supporting Planning for Automated Driving
Virtual Vehicle Research Center（虚拟车辆研究中心）
规划是自动驾驶领域的一个重要主题。除了文献中广泛涉及的规划算法之外，规划还需要不同的软件工具来进行开发、验证和执行。本文提出了一个调查，这些工具包括地图表示，通信，交通规则，开源规划栈和中间件，仿真和可视化工具以及基准。我们首先定义规划任务和不同的支持工具。接下来，我们提供了一个全面的国家的最先进的发展和分析它们之间的关系。最后，我们讨论了目前的差距，并提出了未来的研究方向。
2020-03-09 cs.AI cs.RO
Connected Dependability Cage Approach for Safe Automated Driving
Institute for Software and Systems Engineering, TU Clausthal（克劳斯塔尔工业大学软件与系统工程研究所）
本文提出联网可靠性笼与远程指挥控制中心协同的安全概念，用于持续监测自动驾驶 ODD 并支持责任平稳转移，经实验室和试验场验证有效。
2023-07-12 cs.RO cs.SE
Safe, Efficient, Comfort, and Energy-saving Automated Driving through Roundabout Based on Deep Reinforcement Learning
School of Traffic and Transportation, Beijing Jiaotong University（北京交通大学交通运输学院）
本研究利用深度强化学习（DDPG、PPO、TRPO）训练自动驾驶车辆通过环岛，设计多目标奖励函数，并通过层次分析法评估，发现TRPO在安全与效率上最优，且具备跨场景泛化能力。
2023-06-20 cs.AI cs.LG cs.RO
FastCycle: A Message Sharing Framework for Modular Automated Driving Systems
Interdisciplinary Centre for Security, Reliability and Trust (SnT), University of Luxembourg（卢森堡大学安全、可靠性与信任跨学科中心（SnT））；University of Luxembourg（卢森堡大学）
自动驾驶系统（ADS）近年来发展迅速，其架构变得复杂。确保性能的稳健性、可靠性和安全性尤为重要。构建ADS的主要挑战是在做出安全操作决策和实时完成处理方面满足某些严格性能要求的能力。在ADS中，中间件在处理这些需求方面起着至关重要的作用。中间件在不同系统组件之间共享数据的方式直接影响整体性能，特别是延迟开销。为此，本文提出了FastCycle作为一个轻量级的多线程零拷贝消息代理，以满足高保真ADS的模块化，实时性能和安全性方面的要求。我们讨论的架构和所提出的框架的主要特点。与机器人和自动驾驶中使用的流行的中间件相比，基于标准指标的评估表明，我们的框架的性能得到了提高。FastCycle的实现以及与其他框架的相关比较都是开源的。
2022-11-28 cs.RO
Precise localization relative to 3D Automated Driving map using the Decentralized Kalman filter with Feedback
Robert Bosch GmbH（罗伯特·博世有限公司）；Intel Corporation（英特尔公司）；TWT Gmbh（TWT有限公司）
提出了一种新的面向3D地图的高精度自动驾驶定位方法。AD地图不一定是平面的。因此，定位的问题在3D中得到了解决。车辆的运动被建模为分段规划，但与垂直曲率，这是近似的回旋曲线。定位问题的解决分散卡尔曼滤波器与反馈（DKFF）通过融合所有可用的信息。将里程计、视觉里程计、GPS、不同传感器和单摄像机输入融合在一起，以获得相对于地图的精确定位。由于线-点的几何对偶性，地图上的折线和地标以相同的方式处理。在强跟踪方法中，积累了一组弱滤波器，从而得到精确的定位结果。
2019-07-25 cs.RO
Examining the Effects of Emotional Valence and Arousal on Takeover Performance in Conditionally Automated Driving
University of Michigan（密歇根大学）；University of Michigan-Dearborn（密歇根大学迪尔伯恩分校）；State Farm Mutual Automobile Insurance Company（州立农场相互汽车保险公司）
在有条件自动驾驶中，驾驶员很难进行接管过渡，因为他们越来越与驾驶的操作层面脱钩。影响收购绩效的因素，如收购前置时间和非驾驶相关任务的参与，在过去已经研究过。然而，尽管情绪在人机交互和手动驾驶中发挥着重要作用，但人们对情绪如何影响驾驶员的接管性能知之甚少。因此，本研究探讨了情绪效价和唤醒对有条件自动驾驶中驾驶员接管及时性和质量的影响。我们对32名参与者进行了驾驶模拟实验。播放电影片段进行情绪诱导。研究人员要求具有不同情绪效价和唤醒水平的参与者从自动驾驶中接管控制权，并分析了他们的接管时间和质量。结果表明，积极的效价导致更好的接管质量的形式，一个较小的最大产生的加速度和一个较小的最大产生加加速度。然而，高唤醒并没有在接管时间上产生优势。本研究通过展示情绪效价和唤醒如何影响接管绩效，为文献做出了贡献。积极情绪的好处从手动驾驶延续到有条件自动驾驶，而唤醒的好处则没有。
2020-01-13 cs.AI cs.CY cs.HC
Fault-Tolerant Perception for Automated Driving A Lightweight Monitoring Approach
Intel Labs（英特尔实验室）
虽然自动驾驶汽车的安全验证过程中最明显的部分涉及规划和控制系统，但往往忽视了后者的安全性关键取决于前面的环境感知的容错性。现代感知系统具有复杂且通常基于机器学习的组件，这些组件具有各种可能危及整体安全的故障模式。同时，由于资源限制，通过例如冗余执行的验证并不总是可行的。在本文中，我们解决了可行的和有效的感知监视器的需求，并提出了一种轻量级的方法，有助于保护感知系统的完整性，同时保持额外的计算开销最小。与现有的解决方案相比，该监控器通过传感器检查（这里使用LiDAR信息）和对象运动历史的可扩展性检查的良好平衡组合来实现。它被设计用于检测自动驾驶车辆环境中物体的距离和速度的相关误差。结合适当的规划系统，这样的监控器可以帮助实现安全的自动驾驶。
2021-11-24 cs.RO
Risk Estimation for Automated Driving
TNO（荷兰应用科学研究组织）
本文提出了一种结合碰撞概率估计与碰撞严重性的通用方法，用于准确估计自动驾驶中的风险，以提高运动规划的安全性和效率。
2026-01-21 cs.RO
Operationalization of Scenario-Based Safety Assessment of Automated Driving Systems
TNO（荷兰国家应用科学研究院）
本文围绕联合国UNECE WP.29 GRVA工作组制定的自动驾驶系统安全评估新方法NATM，研究利用场景数据库开展实际安全评估的路径，明确落地NATM的额外步骤，并说明其与欧洲地平线项目相关方法的适配性。
2025-07-30 cs.RO
Belief-Space Residual Risk for Automated Driving under Localization Uncertainty
Institute of Automotive Technology at the Technical University of Munich（慕尼黑技术大学汽车技术研究所）
本文提出在信念空间中扩展残余风险度量，通过建模自我姿态不确定性作为高斯分布，以评估自动驾驶系统在复杂城市环境和恶劣天气下的安全性。
2026-05-12 cs.RO
Trajectory Guidance: Enhanced Remote Driving of highly-automated Vehicles
Institute of Automotive Technology at the Technical University of Munich (TUM)（慕尼黑工业大学汽车工程研究所）
本文针对自动驾驶车辆在复杂场景需人类干预的问题，提出一种轨迹引导远程驾驶的新型技术实现，经高保真仿真实验验证，表明其能有效提升远程操作安全性与可行性。
2024-02-15 cs.RO
Scaling Planning for Automated Driving using Simplistic Synthetic Data
Robert Bosch GmbH（罗伯特·博世有限公司）
本文挑战自动驾驶规划依赖海量真实数据或高仿真的共识，提出使用简单的轻量级仿真数据结合基础行为克隆方法，在环岛场景中通过增量开发实现真实车辆可靠舒适驾驶。
2024-01-03 cs.RO
Low Fidelity Digital Twin for Automated Driving Systems: Use Cases and Automatic Generation
本文提出低保真数字孪生生成器，通过回放真实车辆数据验证虚拟环境生成，以观察现实差距并支持自动驾驶系统开发。
2024-12-16 cs.RO
Safety integrity framework for automated driving
BMW Group（宝马集团）；Exida；Eracons GmbH（Eracons有限公司）；Technical University of Munich（慕尼黑工业大学）
本文提出一个综合安全框架，通过结合系统工程、风险分析和统计学习等方法，系统管理硬件软件故障及性能限制风险，支撑宝马3级自动驾驶系统开发与监管审批，实现正风险平衡。
2025-03-26 cs.RO
Identifying Scenarios in Field Data to Enable Validation of Highly Automated Driving Systems
Mercedes-Benz AG（梅赛德斯-奔驰股份公司）；University of Tübingen（蒂宾根大学）；Brandenburg University of Technology（勃兰登堡工业大学）；Ulm University（乌尔姆大学）；Esslingen University of Applied Sciences（埃斯林根应用科学大学）
用于验证高度自动化驾驶功能的基于场景的方法是基于使用软件在环仿真搜索驾驶场景的安全关键特征。这种搜索需要关于真实世界交通中场景的形状和概率的信息。这项工作的范围是开发一种方法，确定重新定义的逻辑驱动场景中的字段数据，使此信息可以随后导出。更确切地说，一个合适的方法开发，实施和验证使用交通场景作为一个例子。所提出的方法是基于定性建模的情况下，可以检测到在抽象的现场数据。通过使用由领域模型表示的本体的通用元素来实现抽象。已经公布的方法，这样一个抽象的讨论和具体化方面给定的应用程序。通过检查第一组测试数据，示出了所开发的方法是用于识别进一步驾驶场景的合适方法。
2022-05-04 cs.RO
On Quantification for SOTIF Validation of Automated Driving Systems
German Aerospace Center (DLR) e.V.（德国航空航天中心）
本文批判性分析 ISO 21448，围绕自动驾驶 SOTIF 的定量验证，建立统一术语与风险分解，以支撑采用定量验收准则的严格验证策略。
2023-04-20 cs.RO
Think2Drive: Efficient Reinforcement Learning by Thinking in Latent World Model for Quasi-Realistic Autonomous Driving (in CARLA-v2)
Shanghai Jiao Tong University（上海交通大学）
针对CARLA v2复杂驾驶场景，提出首个基于世界模型的强化学习方法Think2Drive，通过潜在世界模型高效训练规划器，在单GPU上3天内达到专家级性能，并引入CornerCase-Repository基准和平衡评估指标。
2024-07-20 cs.RO
From Spoken Thoughts to Automated Driving Commentary: Predicting and Explaining Intelligent Vehicles' Actions
University of Oxford（牛津大学）；Umeå University（于默奥大学）；University of Nottingham（诺丁汉大学）；Oxford Robotics Institute（牛津机器人研究所）
在评论驾驶中，驾驶员用语言表达他们的观察，评估和意图。通过说出他们的想法，学习和专家驾驶员都能够更好地理解和意识到他们的周围环境。在智能车辆背景下，自动驾驶评论可以提供关于驾驶动作的可理解的解释，从而在具有挑战性和安全关键的场景中在驾驶操作期间帮助驾驶员或最终用户。在本文中，我们进行了一项实地研究，其中我们部署了一个研究车辆在城市环境中获取数据。在收集车辆周围环境的传感器数据时，我们使用有声思维协议从驾驶教练那里获得驾驶评论。我们分析了驾驶评论，发现了一种解释风格;司机首先宣布他的观察，宣布他的计划，然后做一般性的评论。他还发表了反事实的评论。我们成功地演示了如何使用透明的基于树的方法自动生成遵循这种风格的事实和反事实自然语言解释。为纵向行动生成解释（例如，停止和移动）被认为是更容易理解和合理的人类法官相比，横向行动，如车道变化。我们讨论了如何在未来建立我们的方法，以实现驾驶员辅助以及驾驶功能的部分和有条件自动化的更强大和有效的可解释性。
2022-06-04 cs.AI cs.CY cs.HC
From Words to Wheels: Automated Style-Customized Policy Generation for Autonomous Driving
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Tianjin University（天津大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
针对自动驾驶车辆难以基于用户指令定制驾驶风格的问题，本文提出Words2Wheels框架，借助大语言模型和驾驶风格数据库，无需历史驾驶数据即可生成定制化驾驶策略，性能优于现有方法。
2024-09-18 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
Clustering-based Criticality Analysis for Testing of Automated Driving Systems
FZI Research Center for Information Technology（FZI信息技术研究中心）
针对自动驾驶系统基于场景测试中存在的场景冗余问题，提出通过聚类单个逻辑场景下的具体场景来缩减场景集的方法，可提升测试效率并揭示系统行为的模式与潜在问题。
2023-07-24 cs.RO cs.SE
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
Comprehensive Training and Evaluation on Deep Reinforcement Learning for Automated Driving in Various Simulated Driving Maneuvers
Delft University of Technology（代尔夫特理工大学）
本文在 highway-env 中综合比较 DQN 与 TRPO，设计定制奖励并构建 ComplexRoads，证明 TRPO 可训练适应多种机动的统一自动驾驶模型。
2023-08-18 cs.AI cs.LG cs.RO
Testing predictive automated driving systems: lessons learned and future recommendations
University of Alcalá（阿尔卡拉大学）；Joint Research Centre, European Commission（欧盟委员会联合研究中心）
传统车辆通过传统方法进行认证，在测试轨道上设置不同的物理认证测试，以评估所需的安全水平。这些方法非常适合复杂性有限、与其他实体的交互有限的车辆作为最后一秒的资源。然而，这些方法不允许对关键和边缘情况下的真实行为进行安全性评估，也不允许评估在中期或长期内预测它们的能力。这对于自动驾驶和自主驾驶功能尤其重要，这些功能利用先进的预测系统来预测路径规划层中要考虑的未来动作和运动。在本文中，我们提出并分析了在BRAVE项目框架内开发的自动驾驶功能中的几个预测系统的试验场物理测试结果。根据我们在测试预测性自动驾驶功能方面的经验，我们确定了当前物理测试方法在处理预测性系统时的主要局限性，分析了未来的主要挑战，并提供了一系列实际行动和建议，供未来自动驾驶和自动驾驶功能的物理测试程序考虑。
2022-04-25 cs.AI cs.RO cs.SY
