Typification of Driver Models Using Clustering Methods
Széchenyi István Egyetem(塞切尼·伊什特万大学)
本文利用聚类方法对驾驶员模型进行类型化,将驾驶风格分为运动型、中性型和防御型,并通过仿真验证了模型能够有效区分和再现不同驾驶行为。
2023-12-12 cs.RO cs.SY eess.SY
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
Correct-by-Construction Advanced Driver Assistance Systems based on a Cognitive Architecture
University of Oxford(牛津大学);FiveAI(FiveAI公司);University of Colorado Boulder(科罗拉多大学博尔德分校)
到目前为止,对自动驾驶和半自动驾驶汽车安全性的研究主要集中在通过模拟进行测试和验证。由于这些自治系统的故障可能危及生命,形式化方法作为一种补充方法出现。本文研究了应用形式化方法验证的人类驾驶员模型建立使用认知架构ACT-R,并设计正确的建设先进的驾驶辅助系统(ADAS)。新颖之处在于集成的ACT-R的形式分析和抽象技术,使有限表示的一个大尺寸,连续系统的形式的马尔可夫过程。考虑的情况是一个多车道的高速公路驾驶的情况下,出现的相互作用。该方法的有效性说明在两个案例研究与各种驾驶条件。
2019-07-22 cs.LO cs.RO
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
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
Hybrid Human-Machine Perception via Adaptive LiDAR for Advanced Driver Assistance Systems
Delft University of Technology(代尔夫特理工大学)
本文提出一种结合驾驶员注视数据的自适应激光雷达系统,在CARLA中验证,通过增强视野外感知提升ADAS检测性能,尤其在雾天条件下。
2025-02-24 cs.HC cs.RO
Modeling Drivers' Risk Perception via Attention to Improve Driving Assistance
Carnegie Mellon University(卡内基梅隆大学);Toyota Research Institute(丰田研究所)
针对 FCW 警报冗余问题,本文基于真实部署视频和驾驶员注视标注,利用反事实轨迹预测建模驾驶员风险感知,从而降低误报并改善预警时机。
2024-09-07 cs.HC cs.RO
Bridging Human Oversight and Black-box Driver Assistance: Vision-Language Models for Predictive Alerting in Lane Keeping Assist Systems
Department of Civil & Environmental Engineering , University of South Florida(土木与环境工程系,佛罗里达州立大学)
针对车道保持辅助系统黑箱特性导致的故障难预判问题,提出基于VLM的预测告警系统LKAlert与首个相关基准数据集OpenLKA-Alert,结合替代特征引导与LoRA实现提前1-3秒的可解释故障预测,提升ADAS安全性。
2025-05-14 cs.CV cs.LG cs.RO
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
Data-driven Driver Model for Speed Advisory Systems in Partially Automated Vehicles
The Ohio State University(俄亥俄州立大学)
利用连接性和自动化的车辆控制算法,如互联和自动化车辆(CAV)或高级驾驶员辅助系统(ADAS),有机会提高节能效果。然而,较低水平的自动化涉及人机交互阶段,其中人类驾驶员的存在会影响闭环中控制算法的性能。这发生在例如作为速度咨询系统实施的生态驾驶控制算法的情况下,其中驾驶员被显示为要遵循的最佳速度轨迹以减少能量消耗。实现控制目标依赖于人类驾驶员完美地遵循推荐的速度。如果驾驶员无法遵循建议的速度,则可能会出现节能下降和车辆性能下降。这保证了创建方法来建模和预测人类驾驶员在使用速度咨询系统的环路中操作时的响应。这项工作的重点是开发一个基于序列到序列长短期记忆(LSTM)的驾驶员行为模型,该模型模拟了人类驾驶员在现实世界条件下与建议的期望车速轨迹的交互。驾驶模拟器用于数据汇集和训练驾驶员模型,然后将驾驶员模型与驾驶数据和确定性模型进行比较。结果表明,基于LSTM的模型与驾驶数据非常接近,表明该模型可以作为设计以人为本的速度咨询系统的工具。
2022-05-17 cs.RO cs.SY eess.SY
An Adaptive Human Driver Model for Realistic Race Car Simulations
Technische Universität Darmstadt(达姆施塔特工业大学);Dr. Ing. h.c. F. Porsche AG(保时捷股份公司);ETH Zürich(苏黎世联邦理工学院)
设计高性能赛车需要使用真实世界测试或人类驾驶员在环模拟直接考虑人类驾驶员。除此之外,使用类似人类的赛车手模型进行离线模拟可以使这种车辆开发过程更加有效和高效,但由于各种挑战而难以获得。通过这项工作,我们打算提供一个更好的理解赛车手的行为,并介绍了一个自适应的人类赛车手模型的基础上模仿学习。利用现有的研究结果和与专业赛车工程师的访谈,我们确定了基本的适应机制,以及车手如何学习在新赛道上优化单圈时间。随后,我们利用这些见解为最近提出的概率驾驶员建模方法开发泛化和适应技术,并使用来自专业赛车手和最先进的赛车模拟器的数据对其进行评估。我们表明,我们的框架可以在看不见的赛道上创建逼真的驾驶线分布,具有几乎类似人类的性能。此外,我们的驾驶员模型逐圈优化其驾驶,纠正前几圈的驾驶错误,同时实现更快的单圈时间。这项工作有助于更好地理解和建模人类驾驶员,旨在加快现代车辆开发过程中的模拟方法,并可能支持自动驾驶和赛车技术。
2022-07-20 cs.LG cs.RO cs.SY
GLADAS: Gesture Learning for Advanced Driver Assistance Systems
Harvard University(哈佛大学)
随着自动驾驶汽车(AV)的普及,人机交互(HCI)对于生命安全至关重要。然而,几乎没有努力确保自动驾驶汽车在路上理解人类。在本文中,我们提出了GLADAS,一个基于模拟器的研究平台,旨在教自动驾驶汽车理解行人的手势。GLADAS支持基于深度学习的自动驾驶汽车手势识别系统的训练、测试和验证。我们专注于手势,因为它们是与汽车交互的原始(即自然和常见)方式。据我们所知,GLADAS是同类系统中的第一个,旨在为进一步研究人机交互提供基础设施。我们还开发了一种用于自动驾驶汽车的手势识别算法,使用GLADAS来评估其性能。我们的研究结果表明,AV理解人类手势的85.91%的时间,加强需要进一步研究人类AV互动。
2019-10-02 cs.CV cs.HC cs.LG
Detecting Multi-Sensor Fusion Errors in Advanced Driver-Assistance Systems
Columbia University(哥伦比亚大学);Baidu Security(百度安全)
近年来,高级驾驶辅助系统(ADAS)蓬勃发展并得到广泛部署。通常,这些系统接收传感器数据,计算驾驶决策,并向车辆输出控制信号。为了消除传感器输出带来的不确定性,他们通常利用多传感器融合(MSF)来融合传感器输出,并对周围环境产生更可靠的理解。然而,MSF无法完全消除不确定性,因为它缺乏关于哪个传感器提供最准确数据以及如何最佳地整合传感器提供的数据的知识。因此,可能会发生意想不到的严重后果。在这项工作中,我们观察到工业级ADAS中流行的MSF方法可能会误导汽车控制并导致严重的安全隐患。我们定义故障(例如,汽车碰撞)所造成的故障MSF融合错误,并开发一种新的基于进化的领域特定的搜索框架,融合,融合错误的有效检测。我们进一步应用因果关系分析表明,所发现的融合错误确实是由MSF方法引起的。我们评估我们的框架上两个广泛使用的MSF方法在两个驾驶环境。实验结果表明,FusED识别超过150个融合错误。最后,我们提出了几个建议,以改善我们研究的MSF方法。
2022-05-25 cs.AI cs.LG cs.RO
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
DriveMCP: An Agentic AI framework for Advanced Driver Assistance System
Simon Fraser University(西蒙弗雷泽大学)
DriveMCP是一个智能体AI驾驶辅助框架,通过模块化感知、合规推理和安全仲裁流程,在CARLA模拟中减少交通违规并改善危险响应时间。
2026-09-16 cs.RO
An FPGA-Based Neuro-Fuzzy Sensor for Personalized Driving Assistance
University of the Basque Country UPV/EHU(巴斯克大学UPV/EHU)
提出一种基于FPGA的神经模糊传感器用于驾驶风格识别,利用SHRP2自然驾驶数据在Xilinx Zynq上实现,能个性化调整ACC的THW参数,以0.53微秒性能满足尖端主动ADAS实时要求。
2025-01-27 cs.LG 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
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
Low-Cost Infrared Vision Systems for Improved Safety of Emergency Vehicle Operations Under Low-Visibility Conditions
University of California - Davis(加利福尼亚大学戴维斯分校);California Department of Transportation(加利福尼亚州交通局)
本研究探讨了红外相机技术提升低能见度下紧急车辆驾驶员安全的潜力,通过实验室与实地测试及操作员调查,验证了其探测性能与改装DoT车队的可行性,为规模化部署提供了数据驱动的建议。
2025-06-29 cs.CV 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
Automated Failure-Mode Clustering and Labeling for Informed Car-To-Driver Handover in Autonomous Vehicles
University of Colorado Boulder(科罗拉多大学博尔德分校)
当车辆无法自行安全行驶时,车辆与驾驶员的切换是安全自动驾驶车辆操作的一个至关重要的组成部分。这种切换在汽车中的当前实现方式采取指示即将将控制转移回人类驾驶员的通用警报的形式。然而,某些级别的车辆自主性可能允许驾驶员在切换之前从事其他非驾驶相关的任务,导致快速恢复态势感知的巨大困难。除非采取缓解措施,否则重新定向延迟可能导致危及生命的故障。可解释的人工智能已被证明可以提高人机协作场景中的流畅性和团队合作。因此,我们假设,通过利用自主解释,这些汽车到驾驶员的转换可以更安全和可靠地进行。其基本原理是,通过为驾驶员提供额外的情境知识,他们将更快地专注于驾驶环境的相关部分。为此,我们提出了一种算法故障模式识别和解释方法,使知情的驾驶员从车辆。此外,我们提出了一套人类主体驾驶模拟器的研究,以确定适当的形式的解释,以及验证我们的框架。
2020-05-09 cs.HC cs.RO
Provident Vehicle Detection at Night for Advanced Driver Assistance Systems
Dr. Ing. h.c. F. Porsche AG(保时捷股份公司);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);NEC Laboratories Europe GmbH(NEC欧洲实验室有限公司);Leibniz University Hannover(汉诺威莱布尼茨大学)
近年来,计算机视觉算法变得越来越强大。然而,目前的算法主要有一个局限性:它们依赖于直接可见的对象。与人类行为相比,这是一个显著的缺点,在人类行为中,由物体(例如,阴影)已经直观地用于检索信息或预测出现的对象。当在夜间驾驶时,这种性能缺陷变得更加明显:人类已经处理了由迎面而来的车辆的前灯引起的光伪影以估计它们出现的位置,而当前的目标检测系统要求迎面而来的车辆在被检测到之前是直接可见的。基于以前的工作,在本文中,我们提出了一个完整的系统,可以检测光伪影所造成的迎面而来的车辆的前灯,使它检测到一辆车正在接近providedly。为此,一个完整的算法架构进行了研究,包括在图像空间中的检测,三维定位,光伪影的跟踪。为了证明这种算法的有用性,所提出的算法被部署在测试车辆中,以使用检测到的光伪影来主动控制无眩光远光系统。使用这个实验设置,节约车辆检测系统的时间效益相比,在生产计算机视觉系统进行量化。此外,无眩光远光用例通过将自适应前照灯视为投影仪来提供检测结果的实时和真实世界可视化界面。通过这项对节约车辆检测的调查,我们希望能够意识到检测物体的非常规传感任务,并进一步缩小人类行为与计算机视觉算法之间的性能差距,使自主和自动驾驶向前迈进一步。
2022-04-08 cs.CV cs.RO
Learning and Inferring a Driver's Braking Action in Car-Following Scenarios
Beijing Institute of Technology(北京理工大学);University of Michigan(密歇根大学)
准确预测和推断驾驶员的刹车决定对于设计预警系统和避免碰撞至关重要。在本文中,我们专注于预测驾驶员的意图刹车跟车场景从感知决策行动的角度来看,根据他/她的驾驶历史。提出了一种基于学习的推理方法,利用CAN总线、雷达和摄像头采集的车载数据作为解释变量,结合高斯混合模型(GMM)和隐马尔可夫模型(HMM),对驾驶员的制动决策进行推理。GMM用于建模变量之间的随机关系,而HMM应用于基于GMM的驾驶员制动行为推断。从密歇根大学安全试点模型部署数据库中收集了49名驾驶员的真实驾驶数据(平均每个驾驶员超过三年的驾驶数据)。我们比较了GMM-HMM方法与支持向量机(SVM)方法和SVM-Bayesian滤波方法。实验结果进行评估,采用三个性能指标:准确性,灵敏度,特异性。比较结果表明,GMM-HMM的性能最好,准确性为90%,敏感性为84%,特异性为97%。因此,我们相信,这种方法具有很大的潜力,为现实世界的主动安全系统。
2018-01-11 cs.LG cs.RO
Implementation of Road Safety Perception in Autonomous Vehicles in a Lane Change Scenario
Johannes Kepler University Linz(林茨约翰内斯·开普勒大学)
理解人类驾驶行为对于开发自动驾驶汽车算法至关重要。然而,大多数低级自动化,例如高级驾驶辅助系统(ADAS)中的自动化,都是基于客观的安全措施,这些措施并不总是与驾驶员认为安全的内容及其相应的驾驶行为保持一致。本文分析了在主观感知和客观安全措施之间寻找桥梁的问题,特别关注换道场景。结果表明,什么是被认为是安全的驾驶员和客观的指标,这取决于具体的机动和位置的司机之间的统计显着差异。
2022-11-02 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
Cyber Racing Coach: A Haptic Shared Control Framework for Teaching Advanced Driving Skills
Department of Mechanical Engineering, University of Michigan(机械工程系,密歇根大学);Toyota Research Institute(丰田研究院)
本研究提出基于触觉共享控制的Cyber Racing Coach框架,含可协作的高性能自动驾驶系统与随表现渐隐的转向辅助机制,经人体实验验证,相比自学与全辅助基准更能帮助驾驶员习得优质赛车技能,提升表现与稳定性。
2025-10-04 cs.HC cs.RO
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
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
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
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
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