Game-Theoretic Planning for Autonomous Driving among Risk-Aware Human Drivers
Stanford University（斯坦福大学）；University of Maryland（马里兰大学）
我们提出了一种新的方法，风险意识规划与人类代理在多智能体交通场景。我们的方法考虑到了人类驾驶员在道路上的各种行为，从超速和超车等激进的操作，到缓慢驾驶和遵守最右侧车道等保守的特征。在我们的方法中，我们学习了从数据驱动的人类驾驶员行为模型（称为CMetric）到驾驶员熵风险偏好的映射。然后，我们在博弈论风险敏感规划器中使用导出的风险偏好来模拟人类驾驶员和自动驾驶汽车在各种交通场景中的风险感知交互。我们证明了我们的方法在合并的情况下，我们的结果表明，从风险意识规划者获得的最终轨迹产生理想的紧急行为。特别是，我们的计划器识别出具有攻击性的人类驾驶员，并在与他们保持更大距离的同时向他们屈服。在一项用户研究中，参与者能够根据我们的风险敏感计划器生成的轨迹区分激进和保守的模拟驾驶员。我们还观察到，积极的人类驾驶的结果在更频繁的车道变换的规划。最后，我们比较了我们的修改后的风险意识规划与现有的方法的性能，并表明，模拟人类驾驶员的行为，导致更安全的导航。
2022-05-01 cs.RO
How defensive driving enhances driving safety: A driving simulator study on drivers' defensive driving behaviors
College of Automotive and Energy Engineering, Tongji University（同济大学汽车与能源工程学院）
该研究通过驾驶模拟器实验，定义防御性驾驶，收集82名参与者数据并分组，经组间和试验间比较，发现防御性驾驶能力强的驾驶员能更激烈操作、更早识别风险并行动，提高驾驶安全性，为培训和算法训练提供依据。
2026-07-22 cs.HC cs.RO eess.SP
Simulation-based Testing of Foreseeable Misuse by the Driver applicable for Highly Automated Driving
Institut für Fahrerassistenz und vernetzte Mobilität（驾驶辅助与互联移动研究所）；University of Applied Sciences Kempten（肯普滕应用科学大学）
针对高等级自动驾驶中驾驶员可预见误用的SOTIF测试难题，研究构建横向辅助驾驶系统与驾驶员-车辆接口，通过驾驶仿真器开展误用场景测试，以明确信息辅助驾驶员操作，保障系统合理使用。
2025-03-05 cs.HC cs.RO cs.SY
Model-based Evaluation of Driver Control Workloads in Haptic-based Driver Assistance Systems
Worcester Polytechnic Institute（伍斯特理工学院）；Toyota Motor North America（丰田汽车北美公司）
本研究提出了一种新的方法来建模和仿真人车交互，以研究自动驾驶系统（ADS）对驾驶性能和驾驶员控制工作量的影响。现有的驾驶员ADS交互研究依赖于模拟或真实世界的人类驾驶员实验，这些实验在提供驾驶员动态交互和控制工作负载的客观评估方面受到限制。我们的方法利用一个集成的基于人体模型的主动驾驶系统（HuMADS）来模拟车辆超车任务中驾驶员模型和基于触觉的ADS之间的动态交互。两个驾驶员手臂转向模型开发紧张和放松的人类驾驶员的条件下，并验证了对实验数据。我们进行了一项模拟研究，以评估三种不同的触觉共享控制条件（基于控制冲突的存在和类型）对超车任务性能和驾驶员工作量的影响。我们发现，无冲突共享控制方案可以提高驾驶性能并减少控制工作量，而冲突方案会导致不安全的操纵和增加工作量。这些研究结果，这是一致的实验研究，证明了我们的方法，以改善未来的ADS设计更安全的驾驶员辅助系统的潜力。
2022-10-24 cs.RO
Evaluation of Drivers' Interaction Ability at Social Scenarios: A Process-Based Framework
Tongji University（同济大学）；Soochow University（苏州大学）
本文提出一种基于交互过程的驾驶员交互能力评估框架，通过风险感知、博弈论基准和形态相似性评分动态区分保守与激进驾驶状态，并在中美数据集上验证其有效性。
2024-05-06 cs.RO
Self-Driving like a Human driver instead of a Robocar: Personalized comfortable driving experience for autonomous vehicles
Seamless Transportation Lab (STL)（无缝交通实验室）；Yonsei University（延世大学）
为了给自动驾驶汽车用户提供个性化的舒适驾驶体验，提出了一种基于个人驾驶偏好的自动驾驶汽车集成控制系统。我们提出了一个乘客的偏好度量（OPM），这是定义一个首选的横向和纵向加速度区域的最大允许加加速度为用户。此外，我们提出了一个车辆控制器的控制参数的基础上，使集成的横向和纵向控制，通过自主车辆的偏好感知操纵。该系统不仅提供了乘员驾驶偏好的标准，还提供了个性化的自动驾驶风格，就像人类驾驶员而不是Robocar一样。仿真和实验结果表明，该系统可以像人类驾驶员一样操纵自动驾驶汽车，通过跟踪指定的标准，允许的加速度和加加速度。
2022-11-18 cs.RO cs.SY eess.SY
A Hybrid Rule-Based and Data-Driven Approach to Driver Modeling through Particle Filtering
Stanford University（斯坦福大学）
自动驾驶车辆需要模拟周围人类驾驶车辆的行为，以成为安全有效的交通参与者。现有的人类驾驶行为建模方法依赖于数据驱动和基于规则的方法。虽然数据驱动的模型更具表达性，但基于规则的模型是可解释的，这是驾驶等安全关键领域的重要要求。然而，基于规则的模型不能充分代表数据，并且数据驱动的模型由于碰撞等不现实的驾驶行为而无法生成真实的交通模拟。在本文中，我们提出了一种方法，结合基于规则的建模与数据驱动的学习。虽然规则由驾驶员模型的可解释参数控制，但这些参数是使用粒子滤波从驾驶演示数据在线学习的。我们使用来自三个真实驾驶演示数据集的数据对高速公路驾驶和并道任务进行驾驶员建模实验。我们的研究结果表明，驾驶员模型的基础上，我们的混合规则为基础的和数据驱动的方法可以准确地捕捉现实世界的驾驶行为。此外，我们通过让人类进行驾驶图灵测试来评估我们的模型生成的驾驶行为的真实性，在测试中，他们被要求区分真实驾驶的视频和使用我们的驾驶员模型生成的视频。
2021-08-29 cs.AI cs.RO
DME-Driver: Integrating Human Decision Logic and 3D Scene Perception in Autonomous Driving
University of Macau（澳门大学）
本文提出DME-Driver自动驾驶系统，结合大型视觉语言模型作为逻辑决策器与3D场景感知模型作为控制信号生成器，并构建新数据集以实现高精度且可解释的规划。
2024-01-08 cs.CV cs.RO
Identifying Driver Interactions via Conditional Behavior Prediction
University of Pennsylvania（宾夕法尼亚大学）；Waymo（Waymo公司）
交互式驾驶场景，例如车道变换、合并和无保护转弯，是自动驾驶最具挑战性的情况。在交互式场景中的规划需要准确地建模其他代理对自我代理的不同未来动作的反应。我们开发了端到端的有条件的行为预测（CBP）模型，作为输入的查询未来轨迹的自我代理，并预测分布在未来的轨迹上的其他代理条件的查询。利用这样一个模型，我们开发了一个通用的代理互动得分来自概率第一原则。交互性得分使我们能够找到有趣的交互场景，用于训练和评估行为预测模型。我们进一步证明，建议的分数是有效的计算预算约束下的代理优先级。
2021-06-01 cs.RO
Effects of Augmented-Reality-Based Assisting Interfaces on Drivers' Object-wise Situational Awareness in Highly Autonomous Vehicles
University of California, Los Angeles（加州大学洛杉矶分校）；Honda Research Institute USA（美国本田研究所）；Zoox（Zoox公司）
本文通过20人参与的驾驶模拟器实验，研究基于增强现实的高亮提示在不同交通密度、物体位置和类型下对部分自动驾驶车辆驾驶员逐物体态势感知的影响，为优化AR辅助界面设计提供依据。
2022-06-06 cs.AI cs.HC 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
Energy-Efficient Autonomous Driving Using Cognitive Driver Behavioral Models and Reinforcement Learning
University of Michigan（密歇根大学）
预计自动驾驶技术不仅可以提高机动性和道路安全性，还可以带来能源效率方面的好处。在可预见的未来，自动驾驶汽车（AV）将在与人类驾驶汽车共享的道路上运行。为了保持安全性和活力，同时最大限度地减少能源消耗，自动驾驶规划和决策过程应该考虑到自主自我车辆与周围人类驾驶车辆之间的相互作用。在本章中，我们描述了一个框架，通过利用基于认知层次理论和强化学习的人类驾驶员行为建模，在共享道路上开发节能自动驾驶政策。
2021-11-27 cs.RO cs.SY eess.SY
DriVerse: Navigation World Model for Driving Simulation via Multimodal Trajectory Prompting and Motion Alignment
Baidu Inc.（百度公司）
DriVerse通过多模态轨迹提示和运动对齐技术，实现从单张图像和未来轨迹生成导航驱动的驾驶场景，提升了动态对象的生成精度和时间一致性。
2026-04-24 cs.RO
X-Driver: Explainable Autonomous Driving with Vision-Language Models
Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；Baidu Inc.（百度公司）
本文提出基于多模态大语言模型和思维链的X-Driver框架，通过自回归建模增强感知与决策，在CARLA闭环自动驾驶基准上超越现有最优方法并提升可解释性。
2025-06-03 cs.CL cs.CV cs.ET
Linking Behaviour and Perception to Evaluate Meaningful Human Control over Partially Automated Driving
Centre for Meaningful Human Control（有意义的人控中心）；Department of Cognitive Robotics（认知机器人学系）；Department of Transport & Planning（交通与规划系）；Department of Intelligent Systems（智能系统系）；Delft University of Technology（代尔夫特理工大学）
研究通过模拟实验探讨部分自动化驾驶系统中驾驶员对有意义人机控制（MHC）的体验，发现感知自动化车辆理解驾驶员与转向扭矩冲突存在显著负相关，且反应时间与控制感知存在正相关，提示未来设计需注重驾驶员干预的顺畅性、自动化意图的透明传达及情境敏感的权限分配。
2026-10-08 cs.AI cs.CY cs.HC
Maintaining driver attentiveness in shared-control autonomous driving
Department of Computer Science, University of York（约克大学计算机科学系）
针对共享控制自动驾驶中驾驶员注意力维持问题，提出基于MAPE控制环路的自适应系统，结合深度神经网络分析注意力、经形式化验证的控制器规划警报与调速，并用概率模型检验综合控制器，以提升驾驶员注意力。
2021-02-05 cs.RO cs.SY eess.SY
Behavioral Research and Practical Models of Drivers' Attention
York University（约克大学）
对许多人来说，开车是一项日常活动，但这远非简单。驾驶员同时处理多项任务，例如保持车辆在车道上，观察和预测其他道路使用者的行动，对危险做出反应，以及处理车内和车外的干扰。不注意周围的物体和事件并做出反应可能会导致事故。道路基础设施和车辆机械设计的不断改进使驾驶总体上更加安全。然而，驾驶员注意力不集中的问题仍然是事故的主要原因之一。因此，了解驾驶员看向哪里以及他们为什么这样做可以帮助消除分心的来源并识别不安全的注意力模式。对驾驶员注意力的研究对许多实际应用都有影响，例如政策制定，改善驾驶员教育，加强道路基础设施和车载信息娱乐系统，以及设计驾驶员监控，驾驶员辅助和自动驾驶系统。这份报告涵盖了由于驾驶员内部和外部因素而导致的驾驶员视觉注意力分布变化的文献。驾驶过程中的注意力方面已经在多个学科中进行了探索，包括心理学，人为因素，人机交互，智能交通和计算机视觉，每个学科都为观察到的现象提供了不同的视角，目标和解释。我们将驾驶员注意力的跨学科理论和行为研究与实际解决方案联系起来。最后，讨论了研究的局限性和未来研究的方向。该报告基于自2010年以来发表的175项行为研究，近100篇实用论文，20个数据集和70多项调查。用于本报告的精选论文列表可在\url{https://github.com/ykotseruba/attention_and_driving}上查阅。
2021-12-13 cs.CV cs.RO
Comfort-oriented driving: performance comparison between human drivers and motion planners
Delft University of Technology（代尔夫特理工大学）
运动规划是自动驾驶汽车的基本组成部分。它会影响乘坐的舒适性和时间效率。尽管有大量的研究致力于改善自动驾驶汽车的运动舒适性，但很少有人关注人类驾驶员的表现作为基线。在本文中，我们提出了一个实验研究，在公共道路上使用仪表车调查人类驾驶员如何平衡舒适性和时间效率。将人类驾驶数据与我们过去开发的两种基于优化的运动规划器进行比较。在行驶时间没有差异的情况下，人类驾驶员在纵向和横向加速度信号中产生的能量平均比最小化加速度的运动规划器多23.5%。在与运动病发生率相关的频率加权加速度能量指标方面，平均性能缺陷上升到70.2%。频域分析表明，人类驾驶员在0.2-1 Hz的频率范围内表现出更多的纵向振荡，在高达0.2 Hz的频率范围内表现出更多的横向振荡。这反映在时域数据特征中，例如较不平滑的速度曲线和长转弯的较高速度。性能差异还部分地由人类驾驶员在规划和控制车辆运动时考虑的几个实际问题和附加因素引起。本研究中收集的驾驶数据为运动规划算法提供了性能基线，可以与之进行比较，并可以进一步利用以加深对人类驾驶员的理解。
2023-01-25 cs.RO cs.SY eess.SY
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
Waymo Driverless Car Data Analysis and Driving Modeling using CNN and LSTM
本文利用Waymo开放数据集，提出基于CNN模仿人类驾驶行为和LSTM时间序列建模的多种加速度预测方法，以提升自动驾驶决策精度。
2025-04-29 cs.RO
Adaptive Performance Assessment For Drivers Through Behavioral Advantage
Robotics Institute（机器人学院）；Carnegie Mellon University（卡内基梅隆大学）
自动驾驶和驾驶员辅助技术的潜在积极影响是过去十年的主要推动力。另一方面，定量分析人类驾驶员或自动驾驶代理的性能一直是一个具有挑战性的问题。在这项工作中，我们提出了一种通用的方法，即使在环境条件不同的情况下，也可以通过使用驾驶员行为优势而不是绝对指标来比较驾驶员或自动驾驶代理的性能，从而有效地消除了环境因素。还介绍了该方法的一个具体应用，其中100多名卡车司机的表现进行了评估，并在燃油效率方面进行了排名，涵盖了超过90，000次行程，平均跨越300英里，在各种驾驶条件和环境。
2018-04-26 cs.AI cs.LG cs.RO
Online Parameter Estimation for Human Driver Behavior Prediction
Stanford University（斯坦福大学）
驾驶员模型对于自动驾驶汽车的规划以及在仿真中验证其安全性非常重要。高度参数化的黑盒驱动程序模型非常有表现力，可以捕捉细微的行为。然而，它们通常缺乏可解释性，有时会表现出不真实的，甚至是愚蠢的行为。基于规则的模型是可解释的，并且可以被设计为保证“安全”的行为，但是由于它们的参数数量较少，因此表达性较差。在这篇文章中，我们表明，在线参数估计应用于智能驾驶员模型捕捉细微差别的个人驾驶行为，同时提供无碰撞轨迹。我们使用粒子滤波解决了在线参数估计问题，并在两个真实世界的驾驶数据集上对基于规则的驾驶员模型和黑盒驾驶员模型进行了基准测试。我们评估了我们的驾驶员模型与地面真实数据演示的接近程度，并评估了由此产生的紧急驾驶行为的安全性。
2020-05-06 cs.AI cs.RO
Editing Driver Character: Socially-Controllable Behavior Generation for Interactive Traffic Simulation
University of California, Berkeley（加州大学伯克利分校）
交通仿真在评估和改进自动驾驶规划系统中起着至关重要的作用。在部署在公共道路上之后，自动驾驶车辆需要与具有不同社会偏好的人类道路参与者进行交互（例如，自私或有礼貌的人类司机）。为了确保自动驾驶汽车在不同的交互式交通场景中采取安全有效的机动，我们应该能够在仿真环境中对具有不同社会特征的反应型代理评估自动驾驶汽车。为此，我们提出了一个社会可控的行为生成（SCBG）模型，它允许用户指定生成的轨迹的礼貌水平，同时通过从现实世界的驾驶数据中学习，确保现实和人性化的轨迹生成。具体来说，我们定义了一种新颖的可区分的衡量标准来量化驾驶行为的礼貌水平，利用从真实驾驶数据中训练的边际和条件行为预测模型。建议的礼貌措施，使我们能够自动标记礼貌水平的轨迹从现实世界的驾驶数据和方便地训练的SCBG模型生成轨迹的基础上输入礼貌值。我们在Waymo开放运动数据集（WOMD）上检查了SCBG模型，并表明我们能够控制SCBG模型以生成具有所需礼貌水平的真实驾驶行为。有趣的是，我们发现SCBG模型能够根据场景识别礼貌行为的不同运动模式。
2023-03-24 cs.AI cs.LG cs.RO
Learning to Model Diverse Driving Behaviors in Highly Interactive Autonomous Driving Scenarios with Multi-Agent Reinforcement Learning
Zhejiang University（浙江大学）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）；Huzhou University（湖州大学）；Alibaba DAMO Academy（阿里巴巴达摩院）
本文提出个性建模网络PeMN，通过合作价值函数和个性参数建模高交互场景中的多样化驾驶行为，并训练背景交通流以提升自车策略的泛化能力。
2024-02-21 cs.AI cs.RO
Autonomous Driving System Design for Formula Student Driverless Racecar
Beijing Institute of Technology（北京理工大学）
本文总结了自行研制的一辆方程式学生自主赛车的自主系统，包括检测系统和路径跟踪控制器。提出了一种激光雷达与视觉协同检测作为轨道标志的交通锥的方法。赛车的检测算法还实现了一种结合GPS-INS数据和LIDAR测距的高精度、高速率定位方法。同时建立了包含视锥位置和颜色信息的轨迹图。最后，在闭环轨道上对系统和车辆的性能进行了测试。本文还简要介绍了2017年方程式学生自主竞赛（FSAC）。
2018-09-19 cs.AI cs.RO
From perception to control: an autonomous driving system for a formula student driverless car
Beijing Institute of Technology（北京理工大学）
本文介绍了在2018年中国方程式学生自主驾驶比赛（FSAC）中获胜的“智能鲨鱼II”的自主驾驶系统。在这项比赛中，一辆自主赛车需要在未知的赛道上自主完成两圈。本文介绍了该赛车的自动驾驶软件结构，保证了车辆的高速性和安全性。关键部件保证了赛车的稳定行驶，基于LiDAR和视觉的圆锥检测提供了冗余感知;基于EKF的定位提供了高精度和高频率的状态估计;感知结果通过占用网格地图在时间和空间上积累。在得到运动轨迹后，采用模型预测控制算法对赛车的纵向和横向控制进行优化。最后，基于真实世界的数据的实验的性能。
2019-08-31 cs.CV cs.RO
Characterizing Human Feedback-Based Control in Naturalistic Driving Interactions via Gaussian Process Regression with Linear Feedback
Electrical & Comp. Eng., Univ. of New Mexico（新墨西哥大学电气与计算机工程系）；Information Science, Cornell Tech（康奈尔科技学院信息科学系）
通过高斯过程回归与线性反馈分析自然驾驶互动中的人类反馈控制，研究驾驶员策略形成机制及群体差异。
2025-12-09 cs.RO cs.SY eess.SY
Developing Driving Strategies Efficiently: A Skill-Based Hierarchical Reinforcement Learning Approach
Bilkent University（毕尔肯大学）
针对强化学习训练驾驶员模型成本高的问题，提出以运动基元为高层动作的基于技能分层驾驶策略，在汇入场景中以更少训练获得优于基线RL的性能。
2023-09-17 cs.AI cs.LG cs.RO
Vision-Based Autonomous Vehicle Control using the Two-Point Visual Driver Control Model
Waymo；Zoox；Georgia Institute of Technology（佐治亚理工学院）
这项工作提出了一种新的自动驾驶框架，该框架使用人类驾驶员控制模型，其特征输入值使用深度卷积神经网络（CNN）从图像中提取。最近，使用CNN以及加速计算硬件的图像处理技术的发展使得能够实时检测这些特征输入值。使用人类驾驶员模型可以使自动驾驶车辆的驾驶行为更加“自然”。具体来说，我们使用众所周知的两点视觉驾驶员控制模型作为控制器，并使用自上而下的车道成本图CNN和YOLOv 2 CNN来提取特征输入值。这个框架完全依赖于低成本传感器的输入，如单目摄像头和车轮速度传感器。我们实验验证所提出的框架在室外轨道上使用1/5规模的自主车辆平台。
2019-09-29 cs.CV cs.RO
Flow Matching-Based Autonomous Driving Planning with Advanced Interactive Behavior Modeling
Institute for AI Industry Research (AIR), Tsinghua University（人工智能产业研究所（AIR），清华大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；The Chinese University of Hong Kong（香港中文大学）
针对复杂场景中交互行为建模难和数据稀缺问题，提出Flow Planner，通过轨迹分词、时空融合架构和流匹配生成，在nuPlan和interPlan数据集上取得最优性能。
2025-10-13 cs.AI cs.RO
M2DA: Multi-Modal Fusion Transformer Incorporating Driver Attention for Autonomous Driving
School of Vehicle and Mobility, Tsinghua University（清华大学车辆与出行学院）；SenseTime Research（商汤科技研究院）；School of Mechanical Engineering, Beijing Institute of Technology（北京理工大学机械工程学院）；School of Computer and Information Technology, Beijing Jiaotong University（北京交通大学计算机与信息技术学院）
提出M2DA，一种融合驾驶员注意力的多模态Transformer，通过LVAFusion模块高效融合激光雷达与视觉数据，提升类人场景理解，在CARLA闭环基准中以更少数据取得最优性能。
2024-03-19 cs.AI cs.CV cs.RO
NARRATE: A Multimodal Real-World Australian Driving Dataset for Human-Centred Explanations in Automated Driving
ARC Training Centre for Automated Vehicles in Rural and Remote Regions (AVR3)（澳大利亚农村及偏远地区自动驾驶车辆ARC培训中心）；Université Gustave Eiffel（Gustave Eiffel大学）；Queensland University of Technology (QUT)（昆士兰科技大学）
研究人员推出多模态真实世界澳大利亚驾驶数据集NARRATE，含2050个带注释事件，提供多类标签与情境意识注释，开展四项基准任务验证其价值，为开发以人为本的自动驾驶解释模型奠定基础。
2026-08-18 cs.AI cs.CL cs.CV
Modeling Ice Friction for Vehicle Dynamics of a Bobsled with Application in Driver Evaluation and Driving Simulation
BMW AG（宝马公司）；Graf Engineering（格拉夫工程公司）；University of Salzburg（萨尔茨堡大学）
我们提供了一个冰摩擦模型的车辆动力学的两个人的雪橇，可用于驾驶员评价和驾驶员在环模拟器。纵向摩擦力的建模结合实验结果与有限元模拟产生的接触压力和摩擦力之间的相关性。为了模拟横向摩擦，我们使用特殊的传感器收集了44个雪橇运行的数据。非线性回归是用来拟合特定的鲍勃单轨车辆动力学模型的数据。将其应用于驾驶仿真中，为驾驶员评价提供了一种新的方法。对具有不同经验水平的鲍勃司机进行了调查。结果表明，不同的驾驶风格会导致顶级驾驶员的相似表现。
2021-11-22 cs.HC cs.RO
100 Drivers, 2200 km: A Natural Dataset of Driving Style toward Human-centered Intelligent Driving Systems
School of Mechanical Engineering, Beijing Institute of Technology（北京理工大学机械工程学院）
本文构建覆盖多场景、含100名驾驶员主观风格标签及详细横纵向操纵数据的100-DrivingStyle数据集，并用六类分类器验证其基准价值。
2024-06-12 cs.HC cs.RO
Motion comfort and driver feel: An explorative study about their relation in remote driving
Delft University of Technology（代尔夫特理工大学）
本文探索远程驾驶与正常驾驶中驾驶员转向感受与乘员运动舒适性的关系，发现远程驾驶中晕动病和转向速度均增加约25%。
2023-05-12 cs.HC cs.RO
Generative Model-based Simulation of Driver Behavior when Using Control Input Interface for Teleoperated Driving in Unstructured Canyon Terrains
Agency for Defense Development（国防发展局）；Korea Advanced Institute of Science and Technology（韩国科学技术院）
针对非结构化峡谷地形遥操作驾驶用户研究成本高的问题，提出基于条件变分自编码器（CVAE）的深度生成模型，通过构建模拟器收集数据并仿真驾驶员行为，有效生成遥操作驾驶数据。
2023-05-17 cs.AI cs.HC cs.RO
Implicit Cooperation: Emotion Detection for Validation and Adaptation of Automated Vehicles' Driving Behavior
University of Applied Science Ruhr West（鲁尔西部应用科学大学）；University of Duisburg-Essen（杜伊斯堡-埃森大学）
自动驾驶汽车中的人类情感检测有助于提高舒适性和安全性。汽车领域的研究主要集中在感知驾驶员的困倦和攻击性上。我们提出了一种新形式的隐式驾驶员-车辆合作，其中情感检测集成到自动驾驶汽车的决策过程。不断评估驾驶员对车辆行为的反应，使我们能够修改决策，并有助于提高未来自动驾驶车辆的安全性。
2020-03-29 cs.HC cs.RO
Indirect Shared Control of Highly Automated Vehicles for Cooperative Driving between Driver and Automation
Department of Bioengineering, Imperial College London（帝国理工学院生物工程系）
本文提出一种线控转向车辆的间接共享控制方案，通过加权求和平衡控制目标并建模驾驶员自适应行为，结合滑动窗口检测器监控意图切换控制权，实现驾驶员与自动驾驶协同驾驶。
2017-04-04 cs.RO
Improving Driver Satisfaction with a Driving Function Learning from Implicit Human Feedback -- a Test Group Study
Dr. Ing. h.c. F. Porsche AG（德意志联邦汽车工业联合会）；University of Catania（卡塔尼亚大学）；Technical University of Munich（慕尼黑技术大学）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
通过学习隐式人类反馈优化驾驶功能，提高驾驶员满意度并减少干预频率。
2026-02-14 cs.RO
Optimal Driver Warning Generation in Dynamic Driving Environment
University of California, Berkeley（加州大学伯克利分校）；Honda Research Institute USA（美国本田研究所）
本研究针对动态驾驶环境中驾驶员警告生成问题，提出基于POMDP的最优警告生成框架，考虑警告、驾驶员行为及车辆状态交互，仿真实验验证其优于现有方法。
2024-11-09 cs.AI cs.HC cs.RO
Learning to Car-Follow Using an Inertia-Oriented Driving Technique: A Before-and-After Study on a Closed Circuit
European Commission, Joint Research Centre（欧盟委员会联合研究中心）；Universidad de Zaragoza（萨拉戈萨大学）；Technion – Israel Institute of Technology（以色列理工学院）；Impactware
本研究通过封闭赛道实验验证了DI策略在实际驾驶中的有效性，表明通过培训可显著减少驾驶员的加速、减速和速度波动。
2025-11-01 cs.CY cs.HC cs.RO
Shareable Driving Style Learning and Analysis with a Hierarchical Latent Model
Beijing Institute of Technology（北京理工大学）；McGill University（麦吉尔大学）；China FAW Group Co., Ltd.（中国第一汽车集团有限公司）
本文提出一种分层潜在模型，通过基于片段的低维特征表示和 Dirichlet allocation 机制学习并分析个体内部及之间可共享的驾驶风格，揭示了个性特征对驾驶风格比例的影响。
2023-10-24 cs.RO
Modeling and analysis of driver behavior under shared control through weighted visual and haptic guidance
Institute of Industrial Science, The University of Tokyo（东京大学生产技术研究所）
对于驾驶员自动化共享控制系统的最佳设计，在开发过程的早期，基于测量和建模对驾驶员行为的理解至关重要。本文提出了一种驾驶员模型，通过加权过程的视觉引导从前方道路和触觉引导从转向系统的车道跟随任务。建议的加权过程描述了驾驶员与触觉指导转向和驾驶员依赖它的相互作用。驾驶模拟器实验进行手动驾驶和触觉指导的模型参数识别。在考虑个体差异后，所提出的驾驶员模型在14名参与者中以令人满意的拟合优度匹配驾驶员输入扭矩。验证结果表明，模拟轨迹有效地遵循驾驶课程匹配的测量轨迹，从而表明，所提出的驾驶员模型是能够预测驾驶员的行为在触觉引导。此外，通过数值分析，考虑到不同的驾驶员状态和系统故障，不同程度的驾驶员依赖对驾驶性能的影响进行了评估。模型评估结果揭示了潜在的建议的驱动程序模型被应用在触觉引导系统的设计和评估。
2020-10-07 cs.HC cs.RO cs.SY
Adaptive driver-automation shared steering control via forearm surface electromyography measurement
Institute of Industrial Science, The University of Tokyo（东京大学工业科学研究所）；Technical University of Darmstadt（达姆施塔特工业大学）
共享转向控制已经开发出来，以减少驾驶员的工作量，同时保持驾驶员在控制回路。驾驶员可以整合来自前方道路的视觉感知信息和来自方向盘的触觉感知信息，以实现更好的驾驶性能。以往的研究表明，与自适应自动化的权威，固定自动化的权威并不总是适当的人的因素。设计了一种基于驾驶员前臂表面肌电（sEMG）测量的自适应共享转向控制系统，并评估了该系统在双车道变换任务中对驾驶员行为的影响。共享转向控制通过触觉引导系统实现，触觉引导系统在方向盘上提供主动辅助扭矩。10名受试者参加了高保真驾驶模拟器实验。两种类型的自适应算法进行了研究：触觉指导减少驾驶员的握力增加（HG-减少），和触觉指导增加驾驶员的握力增加（HG-增加）。这两种算法进行了比较，手动驾驶和两个级别的固定权限触觉指导，共五个实验条件。驾驶系统的评价是基于两组因变量：驾驶员行为的客观措施和驾驶员工作量的主观措施。结果表明，自适应权限的HG-减少产生较低的驾驶员工作量和减少车道偏离的风险相比，手动驾驶和固定权限的触觉引导。
2020-09-09 cs.HC cs.RO cs.SY
Effective and Acceptable Eco-Driving Guidance for Human-Driving Vehicles: A Review
Southeast University（东南大学）；University of Toronto（多伦多大学）
生态驾驶指南包括为人类驾驶员提供的课程或建议，以改善驾驶行为，减少能源使用和排放。本文对现有的生态驾驶指导研究进行了系统的回顾，并确定了未来需要解决的挑战。目前还没有就指导设计达成标准协议，这导致在为人类驾驶员设计和实施生态驾驶指导方面存在困难。静态和动态制导系统都有各种各样的制导结果。此外，建议内容、显示方式、驾驶员社会人口学特征等影响因素对诱导结果的影响在各研究中均表现为相反的效果，但其原因尚不清楚。司机实践生态行为的动机，特别是长期的，被忽视了。此外，用户接受度和系统有效性之间的关系仍然不清楚。基于驾驶员习惯的自适应驾驶建议可以提高驾驶员的有效性，而这一领域正在研究中。
2022-03-28 cs.RO math.OC
An Analysis of Driver-Initiated Takeovers during Assisted Driving and their Effect on Driver Satisfaction
Dr. Ing. h.c. F. Porsche AG（保时捷股份公司）；Dresden University of Technology（德累斯顿工业大学）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
本文通过17名驾驶员的自然驾驶测试，分析辅助驾驶中驾驶员主动接管的原因，发现ODD内调整行为偏好是最主要原因，且接管频率显著降低满意度，提出利用接管行为反馈实现ADAS个性化以提升满意度。
2024-06-10 cs.RO
Mind2Drive: Predicting Driver Intentions from EEG in Real-world On-Road Driving
Department of Computer Science, Imam Mohammad Ibn Saud Islamic University（伊玛姆·莫哈默德·伊本·沙特伊斯兰大学计算机科学系）；Department of Computer Science, Princess Nourah bint Abdulrahman University（努拉·本·阿卜杜勒拉赫曼大学计算机科学系）
本文提出了一种基于EEG的驾驶员意图预测框架，通过同步多传感器平台在真实电动车上进行评估，展示了在现实道路驾驶中EEG信号的稳定性及预测性能。
2026-04-21 cs.CV cs.HC cs.LG
Stackelberg Meta-Learning Based Shared Control for Assistive Driving
New York University（纽约大学）
提出Stackelberg元学习算法，通过快速适应少量驾驶数据生成行为模型，在避障场景中辅助驾驶员，节省时间并鲁棒于有界理性与错误。
2024-03-15 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
Trajectory Planning for Automated Driving in Intersection Scenarios using Driver Models
Ulm University（乌尔姆大学）；Visteon Electronics GmbH Germany（德国伟世通电子有限公司）
城市交叉口的有效轨迹规划是目前自主车辆（AV）最具挑战性的任务之一。对其他交通参与者的礼貌行为，AV的舒适性及其在环境中的进展是决定轨迹规划算法性能的关键方面。为了捕捉这些方面，我们提出了一种新的轨迹规划框架，确保社会的遵守，同时优化AV的舒适性受到运动学约束。该框架结合了局部连续优化方法和高效的驾驶员模型，以确保长期快速的行为预测，机动生成和决策。所提出的框架在不同的情况下进行评估，以证明其能力的轨迹和运行时间。
2020-10-07 cs.RO
Summarizing Normative Driving Behavior From Large-Scale NDS Datasets for Vehicle System Development
Virginia Tech Transportation Institute（弗吉尼亚理工大学交通研究所）
提出处理大规模NDS数据的方法，基于SHRP 2量化五项驾驶行为指标并开发交互式分析工具，以支持车辆系统开发与跨群体比较。
2025-07-18 cs.RO
Who Make Drivers Stop? Towards Driver-centric Risk Assessment: Risk Object Identification via Causal Inference
Purdue University（普渡大学）；Honda Research Institute USA（本田研究所美国）
大量的人死于交通事故，由于司机的错误。为了减少死亡人数，迫切需要开发智能驾驶系统，帮助驾驶员识别潜在风险。在现有的工作中，通常基于碰撞预测来定义危险情况。然而，碰撞只是潜在风险的一个来源，需要一个更一般性的定义。在这项工作中，我们提出了一个新的以驾驶员为中心的风险定义，即，影响驾驶员行为的对象是危险的。引入了一个新的任务，称为风险对象识别。我们制定的任务的因果问题，并提出了一种新的两阶段的风险对象识别框架的基础上因果推理与建议的对象级可操纵驾驶模型。与本田研究所驾驶数据集（HDD）的强基线相比，我们在风险对象识别方面表现出了良好的性能。我们的框架在强大的基线上实现了7.5%的平均性能提升。
2020-08-03 cs.CV cs.RO
Influence of Pedestrian Collision Warning Systems on Driver Behavior: A Driving Simulator Study
Omni Strategy LLC（奥姆尼战略有限责任公司）；Morgan State University（摩根州立大学）
随着互联和自动驾驶汽车（CAV）技术的出现，在使用这种技术时越来越需要评估驾驶员的行为。在这第一种研究中，行人碰撞警告（PCW）系统采用CAV技术，在驾驶模拟器环境中引入，以评估驾驶员制动行为，在存在乱穿马路的行人。本研究共招募了93名来自不同社会经济背景的参与者，并创建了巴尔的摩市中心的虚拟网络。还使用眼动追踪装置观察分心和头部运动。对数逻辑加速故障时间（AFT）分布模型用于该分析，以计算减速时间;从行人变得可见的时刻到达到最小速度的点的时间，以允许行人通过。PCW系统的存在显著影响减速时间和减速率，因为它增加了前者并减少了后者，这证明了该系统通过大幅降低速度来提供有效驾驶操纵的有效性。急动度分析是用来分析制动和加速的突然性。凝视分析表明，该系统能够吸引驾驶员的注意力，因为大多数驾驶员都注意到了显示的警告。驾驶员对路线和联网车辆的熟悉程度会减少减速时间;性别也会产生重大影响，因为男性往往有更长的减速时间，即有更多的时间舒适地刹车并允许行人通过。
2021-12-14 cs.RO stat.ME
Personalized Highway Pilot Assist Considering Leading Vehicle's Lateral Behaviours
Institute of Power Machinery and Vehicular Engineering, Faculty of Engineering, Zhejiang University（浙江大学工学部动力机械及车辆工程研究所）
高速公路驾驶员辅助系统已成为先进驾驶员辅助系统竞争的前沿。对安全性和用户接受度的日益增长的要求要求在这种系统的开发过程中进行个性化。受驾驶员横向跟驰偏好研究的启发，提出了一种基于智能驾驶员模型（IDM）的速度控制模型和考虑前车横向运动的车道保持模型的高速公路个性化辅助驾驶算法。通过模拟驾驶实验，分析了自由驾驶和跟驰驾驶情况下驾驶员的视线和车道保持行为。根据驾驶员受前车影响的驾驶行为，将驾驶员聚类为两个驾驶风格组，并对每个驾驶员的个性化参数进行优化。基于动基座仿真器的驾驶员在环仿真实验验证了该算法的有效性。实验结果表明，与非个性化算法相比，个性化高速公路导航算法能够显著降低驾驶员的心理负荷，提高驾驶员对辅助功能的接受度。
2021-12-11 cs.RO cs.SY eess.SY
