Development of Real-time Rendering Technology for High-Precision Models in Autonomous Driving
我们的自动驾驶模拟实验室制作了模拟停车场的高精度3D模型。然而，目前的模型在某些方面仍然存在绘制质量差的问题。在这项工作中，我们开发了一个系统，以提高模型的渲染和评估渲染模型的质量。
2023-03-20 cs.CV cs.RO
Towards Benchmarking and Assessing the Safety and Robustness of Autonomous Driving on Safety-critical Scenarios
Zhongguancun Laboratory（中关村实验室）；Beihang University（北京航空航天大学）；Institute of Data Space, Hefei Comprehensive National Science Center（合肥综合性国家科学中心数据空间研究院）；Institute of Information Science, Beijing Jiaotong University（北京交通大学信息科学研究所）；A*STAR（新加坡科技研究局）
本研究针对自动驾驶在安全关键场景下的安全性与鲁棒性评估不足的问题，明确了安全关键场景定义，开发了涵盖感知与系统级评估的自动驾驶安全测试平台，为行业建立标准化测试框架和降低实际道路部署风险提供技术支持。
2025-04-07 cs.AI cs.RO
Perspective, Survey and Trends: Public Driving Datasets and Toolsets for Autonomous Driving Virtual Test
Beihang University（北京航空航天大学）
与真实场景下的闭环测试相比，自动驾驶虚拟测试具有早期安全性和可靠性保证的优点，近年来受到越来越多的关注。虽然自动驾驶数据集和工具集的可用性和质量是诊断自动驾驶系统瓶颈和提高系统性能的前提，但由于数据集和工具集的多样性和隐私性，收集和表征它们的视角和质量不仅耗时而且越来越具有挑战性。本文首先提出了自动驾驶测试（SLA）的系统文献综述方法，然后概述了2000年至2020年现有的公开数据集和工具集。通过35个自动驾驶测试工具集和70个测试数据集，给出了相关场景的定量结果、观点和趋势推断以及建议。据我们所知，我们是第一个使用基于SLA的调查方法对数据集和工具集进行这种最新的实证调查。我们的多方面分析和新发现不仅揭示了我们认为对系统设计者，从业者和用户有用的见解，而且还可以促进更多关于数据集和工具集的自动驾驶调查系统调查分析的研究。
2021-06-30 cs.AI cs.RO
Visual Perception System for Autonomous Driving
University of Bath（巴斯大学）
本文提出一种基于视觉的自动驾驶感知系统，集成行人等运动目标跟踪预测、相机定位与稀疏建图，并通过仿真和真实数据集验证其性能。
2023-10-31 cs.CV cs.RO
Integrating End-to-End and Modular Driving Approaches for Online Corner Case Detection in Autonomous Driving
Technical University of Munich (TUM)（慕尼黑工业大学）；Institute of Automotive Technology（汽车技术研究所）
本文提出将端到端网络作为辅助系统与模块化驾驶系统并行运行，利用两者输出不一致实现在线极端情况检测，并在真实车辆上验证了该方法对提升自动驾驶安全性的潜力。
2024-09-02 cs.AI cs.RO
Evaluating Robustness over High Level Driving Instruction for Autonomous Driving
ENSTA Paris（巴黎高等先进技术学院）；Institut Polytechnique de Paris（巴黎理工学院）；INRIA（法国国家信息与自动化研究所）；Université Paris-Saclay（巴黎萨克雷大学）；CEA（法国原子能和替代能源委员会）；List（李斯特研究所）
近年来，我们见证了自动端到端驾驶领域越来越高的性能。特别是，越来越多的研究正在做的城市环境中，汽车必须遵循高级别的命令来导航驾驶。然而，很少有评价的能力，这些代理人在一个意想不到的情况下作出反应。具体地，在坏的高级命令的情况下，不对驱动代理的鲁棒性进行评估。我们在这里提出了一种评估方法，即一个基准，允许评估的代理的鲁棒性，并欣赏其理解的环境，通过其能力，以保持一个安全的行为，无论指令。
2021-05-20 cs.AI cs.CV cs.LG
Optimizing Low-Speed Autonomous Driving: A Reinforcement Learning Approach to Route Stability and Maximum Speed
本文提出一种基于强化学习的低速自动驾驶策略优化方法，在保证安全和路线准确性的前提下，使车辆稳定保持接近最高速度行驶。
2024-12-20 cs.AI cs.RO
A Language Agent for Autonomous Driving
University of Southern California（南加州大学）；Stanford University（斯坦福大学）；NVIDIA（英伟达）
本文提出Agent-Driver，利用大型语言模型作为认知智能体，通过工具库、认知记忆和推理引擎将类人智能集成到自动驾驶系统，在nuScenes基准上大幅超越现有方法，并具备卓越可解释性和少样本学习能力。
2024-07-28 cs.AI cs.CL cs.CV
Explainability of deep vision-based autonomous driving systems: Review and challenges
Sorbonne Université（索邦大学）
本调查回顾了基于视觉的自动驾驶系统的解释方法，该系统经过行为克隆训练。可解释性的概念有几个方面，对可解释性的需求在驾驶中很强，这是一个安全关键的应用程序。本调查收集了多个研究领域的贡献，即计算机视觉、深度学习、自动驾驶、可解释人工智能（X-AI），解决了几个问题。首先，它讨论了从自动驾驶系统中获得更多可解释性和可解释性的定义、背景和动机，以及该应用所特有的挑战。其次，全面组织和详细说明了以事后方式为黑盒自动驾驶系统提供解释的方法。第三，详细介绍和讨论了文献中旨在通过设计构建更具可解释性的自动驾驶系统的方法。最后，剩余的开放的挑战和潜在的未来研究方向进行了确定和检查。
2022-07-19 cs.AI cs.CV cs.LG
An Independent Study of Reinforcement Learning and Autonomous Driving
University of Michigan（密歇根大学）
强化学习已经成为近十年来最热门的研究课题之一。它已经在机器人操作、自动驾驶、路径规划、计算机游戏等各个领域得到了应用。我们在这个项目的过程中完成了三项任务。首先，我们研究了表格环境下的Q-学习算法，并将其成功地应用于OpenAi Gym环境Taxi。其次，我们理解并实现了Cart-Pole环境下的深度Q网络算法。第三，我们还研究了强化学习在自动驾驶中的应用，以及与安全检查约束（安全控制器）的结合。我们使用高速公路健身房环境训练了一个粗糙的自动驾驶智能体，并探讨了奖励函数等各种环境配置对智能体训练性能的影响。
2021-08-20 cs.AI cs.RO
PKRD-CoT: A Unified Chain-of-thought Prompting for Multi-Modal Large Language Models in Autonomous Driving
School of Information Technology, Monash University Malaysia（马来西亚莫纳什大学信息技术学院）
本文提出基于感知、知识、推理与决策的 PKRD-CoT 零样本思维链提示框架，使 GPT-4.0 等多模态大语言模型无需训练即可提升自动驾驶实时决策表现。
2024-12-02 cs.AI cs.RO
SuperDriverAI: Towards Design and Implementation for End-to-End Learning-based Autonomous Driving
National Institute of Informatics（国立信息学研究所）；TURING, Inc.（图灵公司）
本文提出端到端自动驾驶系统SuperDriver AI，利用DNN学习人类驾驶策略并保证安全，引入slit模型和视觉注意力模块提升鲁棒性与可解释性，并在东京真实场景中验证了其有效性。
2023-05-14 cs.AI cs.RO
Hybrid Video Anomaly Detection for Anomalous Scenarios in Autonomous Driving
Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）；FZI Research Center for Information Technology（弗劳恩霍夫信息与通信技术研究中心）
针对自动驾驶场景，提出HF$^2$-VAD$_{AD}$方法，从车辆自视角学习正常性表示，在罕见关键场景中实现逐像素异常检测。
2025-04-28 cs.CV cs.RO
High-Definition Map Generation Technologies For Autonomous Driving
Ontario Tech University（安大略理工大学）
在过去的几年里，自动驾驶一直是最受欢迎和最具挑战性的话题之一。在实现完全自动驾驶的道路上，研究人员利用了各种传感器，如LiDAR，相机，惯性测量单元（IMU）和GPS，并开发了用于自动驾驶应用的智能算法，如目标检测，对象分割，避障和路径规划。近年来，高清（HD）地图引起了人们的广泛关注。由于高清地图在定位方面的高精度和信息水平，它已立即成为自动驾驶的关键组成部分之一。从百度Apollo、英伟达、TomTom等大型组织到个人研究人员，研究人员已经为自动驾驶创建了不同场景和目的的高清地图。有必要回顾一下高清地图生成的最新方法。本文回顾了最近的高清地图生成技术，利用2D和3D地图生成。本文介绍了高清地图的概念及其在自动驾驶中的实用性，并详细概述了高清地图生成技术。我们还将讨论当前高清地图生成技术的局限性，以激励未来的研究。
2022-06-24 cs.CV cs.RO
A Framework for a Capability-driven Evaluation of Scenario Understanding for Multimodal Large Language Models in Autonomous Driving
Dr. Ing. h.c. F. Porsche AG（保时捷股份公司）；Forschungszentrum Informatik（弗劳恩霍夫信息技术研究中心）；Hochschule Esslingen（埃斯林根应用技术大学）；University of Michigan（密歇根大学）；Voxel51；Karlsruher Institut für Technologie（卡尔斯鲁厄理工学院）
本文提出能力驱动的MLLMs自动驾驶场景理解评估框架，从语义、空间、时间、物理四维度及情境层、模态、下游任务组织评估，并通过两个交通场景验证其适用性。
2025-03-14 cs.CV cs.RO
Exploring the Causality of End-to-End Autonomous Driving
Baidu Inc.（百度公司）
本文提出一种系统性方法，通过控制变量、反事实干预和统计分析，探索端到端自动驾驶的因果性，并开发了工具和基线，在CARLA中验证，将黑箱变为白箱。
2024-07-19 cs.CV cs.RO
Driving in Corner Case: A Real-World Adversarial Closed-Loop Evaluation Platform for End-to-End Autonomous Driving
School of Automotive Studies, Tongji University（同济大学汽车学院）；ZERON
本文提出一个现实对抗闭环评估平台，用于生成边缘情况以评估端到端自动驾驶系统，通过真实场景图像生成与对抗交通策略结合，验证模型在极端情况下的性能。
2026-04-19 cs.CV 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
Is it Safe to Drive? An Overview of Factors, Challenges, and Datasets for Driveability Assessment in Autonomous Driving
LG Silicon Valley Lab（LG硅谷实验室）
随着学习算法和硬件开发的最新进展，自动驾驶汽车在良好的驾驶条件下在结构化环境中运行时显示出了希望。然而，对于复杂、混乱和不可见的高度不确定性环境，自动驾驶系统仍然经常表现出错误或意外的行为，这可能导致灾难性的后果。自动驾驶车辆应该能够适应驾驶条件;虽然这可以通过多条路线来实现，但作为第一步，能够以某种量化的形式表征驾驶性能将是有益的。为此，本文旨在建立一个框架，调查不同的因素，可以影响驾驶性能。此外，使自动驾驶系统适应任何驾驶条件的主要机制之一是能够从代表性场景中学习和概括。目前这样做的机器学习算法主要以监督的方式学习，因此需要足够的数据来进行鲁棒和有效的学习。因此，我们还对45个公共驾驶数据集进行了比较概述，这些数据集支持学习，并在https://sites.google.com/view/driveability-survey-datasets上发布了此数据集索引。具体来说，我们根据用例对数据集进行分类，并突出显示捕获复杂和危险驾驶条件的数据集，这些数据集可以更好地用于训练鲁棒的驾驶模型。此外，通过讨论现有公共数据集未涵盖的驾驶场景以及需要更多调查和数据采集的驾驶性能因素，本文旨在鼓励有针对性的数据集收集和提出新的驾驶性能指标，以增强自动驾驶汽车在恶劣环境中的鲁棒性。
2018-11-27 cs.AI 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
A Reinforcement Learning Benchmark for Autonomous Driving in Intersection Scenarios
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）
近年来，城市交叉口控制成为一个新兴的研究课题.在这种情况下，自动驾驶汽车面临着复杂的情况，因为它必须在遵守交通规则的同时及时处理与社会车辆的交互。通常，自动驾驶车辆应该在追求更高效率的同时避免碰撞。现有的工作未能提供一个框架，强调场景的完整性，同时能够部署和测试强化学习（RL）方法。具体来说，我们提出了一个基准，在复杂的交叉路口场景中，这是所谓的RL-CIS的训练和测试基于RL的自动驾驶代理。然后，部署了一组由各种算法组成的基线。测试基准和基线是为交叉口场景下的自动驾驶RL研究提供一个公平、全面的训练和测试平台，推动基于RL的交叉口自动驾驶控制方法的发展。我们提出的框架的代码可以在https://github.com/liuyuqi123/ComplexUrbanScenarios上找到。
2021-09-22 cs.AI cs.RO
Risk-Aware Reward Shaping of Reinforcement Learning Agents for Autonomous Driving
Eindhoven University of Technology（埃因霍温理工大学）；Northwestern Polytechnical University（西北工业大学）
针对自动驾驶强化学习奖励函数难确定、传统方法缺风险感知的问题，提出风险感知奖励塑形方法，新增鼓励探索、惩罚风险行为的奖励项，仿真验证对多类智能体有效，且PPO方法配合效果最佳。
2023-08-25 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
Advancing Autonomous Driving Perception: Analysis of Sensor Fusion and Computer Vision Techniques
Drexel University（德雷塞尔大学）
本报告通过分析基于视觉的系统与感知指标的最新进展，探讨了利用基于深度的感知和计算机视觉技术增强轮式自动驾驶机器人未知2D地图导航能力的方法，旨在提升自动驾驶感知系统的安全性与性能。
2024-11-15 cs.CV cs.RO
SMET: Scenario-based Metamorphic Testing for Autonomous Driving Models
为了提高自动驾驶模型的安全性和鲁棒性，提出了一种基于XML的自动驾驶模型变形测试工具SMET。将变形关系划分为时间、空间和事件三个维度，并通过两类不同输出的自动驾驶模型实例验证了该工具的有效性，实验结果表明，该工具能够很好地检测出自动驾驶模型的潜在缺陷，复杂场景比简单场景更有效.
2021-04-08 cs.RO
SubjectDrive: Scaling Generative Data in Autonomous Driving via Subject Control
MEGVII（旷视科技）
本文提出 SubjectDrive 模型，通过主体控制机制利用多样化外部数据源提升生成数据的多样性，从而有效扩展自动驾驶训练数据生产并持续改进下游感知模型性能。
2024-12-26 cs.CV 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
TJ4DRadSet: A 4D Radar Dataset for Autonomous Driving
下一代高分辨率汽车雷达（4D雷达）可以提供额外的高程测量和更密集的点云，这在自动驾驶的3D传感方面具有巨大的潜力。在本文中，我们介绍了一个名为TJ4DRadSet的数据集与4D雷达点的自动驾驶研究。该数据集是在各种驾驶场景中收集的，共有44个连续序列中的7757个同步帧，这些序列都用3D边界框和轨迹ID进行了很好的注释。我们为我们的数据集提供了一个基于4D雷达的3D目标检测基线，以证明4D雷达点云的深度学习方法的有效性。该数据集可通过以下链接访问：https://github.com/TJRadarLab/TJ4DRadSet。
2022-07-27 cs.AI cs.CV
Intelligent Perception System for Vehicle-Road Cooperation
随着自动驾驶的发展，单个车辆自动驾驶技术的提升已经到了瓶颈。车路协同自动驾驶技术的进步，可以扩大车辆的感知范围，补充感知盲区，提高感知精度，推动自动驾驶技术的发展，实现车路融合。本项目主要利用激光雷达开发数据融合方案，实现车辆和道路设备数据的共享和融合，实现对动态目标的检测和跟踪。同时，设计了车路协同感知系统的测试场景，对车路协同感知系统进行了测试，验证了车路协同自主驾驶相对于单车自主驾驶的优势。
2022-08-30 cs.AI cs.RO
Prediction Based Decision Making for Autonomous Highway Driving
University of Surrey（萨里大学）；University of Warwick（华威大学）；Warwick Manufacturing Group（华威制造集团）
由于交通固有的复杂性和不确定性，自动驾驶决策是一项具有挑战性的任务。例如，相邻车辆可以随时改变车道或超车，以超过慢速车辆或帮助交通流量。预测周围车辆的意图，估计它们的未来状态并将其整合到自动驾驶汽车的决策过程中，可以提高复杂驾驶场景中自动驾驶的可靠性。提出了一种基于预测的深度强化学习（PDRL）决策模型，该模型在高速公路驾驶决策过程中考虑了周围车辆的操纵意图。该模型使用真实的交通数据进行训练，并通过仿真平台在各种交通条件下进行测试。结果表明，与深度强化学习（DRL）模型相比，所提出的PDRL模型通过减少碰撞次数来提高决策性能，从而实现更安全的驾驶。
2022-09-05 cs.AI cs.RO
Human Visual Attention Prediction Boosts Learning & Performance of Autonomous Driving Agents
自动驾驶是一个多任务问题，需要对视觉环境有深入的了解。端到端自动驾驶系统作为一种学习驾驶的方法越来越受到关注，而无需为不同的驾驶场景详尽地编程行为。当人类驾驶时，他们依赖于一个微调的感觉系统，使他们能够快速获得所需的信息，同时过滤不必要的细节。这种识别图像中特定任务的高兴趣区域的能力通常对自动驾驶代理和机器学习系统有益。为了创建一个能够模仿人类凝视模式和视觉注意力的系统，我们在虚拟现实环境中收集了人类驾驶员的眼动数据。我们使用这些数据来训练深度神经网络，预测人类开车时最有可能看的地方。然后，我们使用这个经过训练的网络的输出，使用各种掩蔽技术选择性地掩蔽驾驶图像。最后，使用这些掩蔽图像作为输入来训练自动驾驶代理。经过比较，我们发现处理原始图像和注意力掩蔽图像的双分支架构大大优于所有其他模型，与仅在原始图像上训练的标准端到端模型相比，控制信号预测的误差减少了25.5%。
2019-09-11 cs.CV 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
Discrete Contrastive Learning for Diffusion Policies in Autonomous Driving
Aalto University（阿尔托大学）；Finnish Center for Artificial Intelligence (FCAI)（芬兰人工智能中心）
本文提出利用对比学习从人类驾驶数据中提取并量化驾驶风格字典，进而学习条件扩散策略来模拟人类驾驶行为，实验表明其生成的行为比基线方法更安全且更像人类。
2025-03-07 cs.AI cs.RO
Panoptic Perception for Autonomous Driving: A Survey
Oakland University（奥克兰大学）
本综述系统回顾了自动驾驶领域的全景感知模型，比较了其输入、架构及在性能、响应速度和资源利用率上的表现，并探讨了当前挑战与未来研究方向，为相关研究提供了重要参考。
2024-08-27 cs.CV cs.LG cs.RO
Post-Training in End-to-End Autonomous Driving
Northeastern University（东北大学）；Purdue University（普渡大学）
探讨端到端自动驾驶中训练后处理技术，针对传统方法不足，将现有文献按监督形式分四类，阐述各分类的能力、局限与挑战，助力系统理解该领域并推动相关研究。
2026-07-15 cs.CV cs.RO
Autonomous Driving Small-Scale Cars: A Survey of Recent Development
Chair of Econometrics and Statistics, esp. in the Transport Sector, Technische Universität Dresden（经济计量学与统计学教授席位（侧重交通领域））；Center for Scalable Data Analytics and Artificial Intelligence (ScaDS.AI) Dresden/Leipzig（可扩展数据分析与人工智能中心（ScaDS.AI）德累斯顿/莱比锡）；Barkhausen Institut gGmbH（巴克豪森研究所）
针对全尺寸自动驾驶车辆成本高、社会认知不足的问题，该综述梳理分类了各类小型自动驾驶汽车平台，介绍其在教育与研究领域的应用价值及相关研究进展，并提出未来发展方向建议。
2024-12-20 cs.AI cs.RO
DrivingAgent: Design and Scheduling Agents for Autonomous Driving Systems
Wangxuan Institute of Computer Technology, Peking University（北京大学王选计算机技术研究所）；University of California, Merced（加州大学默塞德分校）
提出DrivingAgent框架，通过自动化模块开发（设计阶段）和强化学习训练的轻量级LLM实时调度（调度阶段），解决自动驾驶系统集成新模型和满足实时约束的挑战，在nuScenes和Bench2Drive上取得更优速度-精度权衡。
2026-06-12 cs.CV cs.RO
RAD: Retrieval-Augmented Decision-Making of Meta-Actions with Vision-Language Models in Autonomous Driving
Tongji University（同济大学）；Yale University（耶鲁大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
针对VLM空间感知不足与幻觉问题，提出RAD检索增强决策框架，结合三阶段RAG流程和NuScenes微调，提升自动驾驶元动作决策性能。
2025-03-18 cs.AI cs.CV
Teaching Autonomous Driving Using a Modular and Integrated Approach
South China University of Technology（华南理工大学）；PerceptIn Inc（PerceptIn公司）；University of Shanghai for Science and Technology（上海理工大学）；Université de Cergy-Pontoise（塞尔吉-蓬图瓦兹大学）；Clarkson University（克拉克森大学）；Wayne State University（韦恩州立大学）；University of California, Irvine（加利福尼亚大学欧文分校）
自动驾驶不是一种单一的技术，而是一个集成了许多技术的复杂系统，这意味着教授自动驾驶是一项具有挑战性的任务。事实上，大多数现有的自动驾驶课程都专注于其中一项技术。这不仅未能提供全面的覆盖面，而且为具有不同技术背景的学生设置了很高的入学门槛。在本文中，我们提出了一种模块化的，集成的方法来教授自动驾驶。具体来说，我们将自动驾驶中使用的技术组织成模块。我们开发的教科书以及一系列旨在为每个模块提供技术概述的多媒体在线讲座中对此进行了描述。然后，一旦学生理解了这些模块，我们开发的整合实验平台可以让学生充分理解模块之间的相互作用。为了验证这种教学方法，我们提出了三个案例研究：为只有基本技术背景的学生开设的自动驾驶入门课程;现有嵌入式系统课程中的新课程，以演示如何将嵌入式系统技术应用于自动驾驶;以及行业专业培训课程，以快速培养经验丰富的工程师从事自动驾驶工作。结果表明，学生可以保持很高的兴趣水平，并取得了很大的进步，从熟悉的概念，然后再进入其他模块。
2018-02-27 cs.AI cs.CY cs.RO
LightEMMA: A Longitudinal Evaluation of Vision-Language Models for Autonomous Driving
Department of Civil and Environmental Engineering, University of Michigan（土木与环境工程系，密歇根大学）；University of Michigan Transportation Research Institute（密歇根大学交通研究所）
LightEMMA是评估自动驾驶领域视觉语言模型性能的纵向框架，研究发现这类模型迭代后驾驶性能未持续提升，需领域适配以提升系统安全性。
2026-09-04 cs.AI cs.RO
Characterized Diffusion Networks for Enhanced Autonomous Driving Trajectory Prediction
Xiamen University Malaysia（马来西亚厦门大学）
本文提出结合特征化扩散模块与时空交互网络的轨迹预测模型，通过不确定性估计和智能体交互建模，在NGSIM、HighD和MoCAD上显著超越现有方法，提升复杂交通场景下的预测精度。
2024-11-25 cs.AI cs.RO
Trajectory Prediction for Autonomous Driving with Topometric Map
最先进的自动驾驶系统依赖于高清（HD）地图进行定位和导航。然而，构建和维护高清地图既耗时又昂贵。此外，高清地图假设结构化的环境，如主要道路和车道的存在，这是不存在于农村地区。在这项工作中，我们提出了一个端到端的Transformer网络为基础的方法，地图无自动驾驶。该模型以原始LiDAR数据和噪声地形图作为输入，产生精确的局部导航轨迹。我们证明了我们的方法在现实世界的驾驶数据，包括城市和农村地区的有效性。实验结果表明，所提出的方法优于最先进的多模态方法，是强大的拓扑图的扰动。所提出的方法的代码是公开的\url{https://github.com/Jiaolong/trajectory-prediction}。
2021-05-09 cs.CV cs.RO
CAAD: Computer Architecture for Autonomous Driving
我们描述了自动驾驶中涉及的计算任务，研究了现有的自动驾驶计算平台的实现。为了实现自动驾驶，计算堆栈需要以低成本同时提供高性能、低功耗和低散热。我们讨论了设计计算平台，将满足这些需求的可能方法。
2017-02-07 cs.AR cs.RO
One-Stage Object Detectors in Autonomous Driving
Florida Gulf Coast University（佛罗里达海湾海岸大学）
本文针对自动驾驶场景调研分析单阶段目标检测器，涵盖其演进、架构对比、相关数据集与指标等，指出该类检测器需平衡速度等性能且与实际应用仍有差距。
2026-08-20 cs.AI cs.CV
Vision Language Models in Autonomous Driving: A Survey and Outlook
Technical University of Munich（慕尼黑工业大学）；The Ohio State University（俄亥俄州立大学）
本文综述了视觉语言模型在自动驾驶领域感知、规划、决策等多方向的研究进展、任务指标与相关数据集，分析其优势挑战并指出研究空白与未来趋势。
2024-06-20 cs.AI cs.CV
Autonomous Driving Implementation in an Experimental Environment
Sakarya University（萨卡里亚大学）
自主系统需要识别环境，在将其安全地付诸实践之前还有很长的路要走。在自动驾驶系统中，障碍物和交通信号灯的检测与车道跟踪一样重要。在这项研究中，自主驾驶系统的开发和测试的实验环境中，为此目的而设计。在该系统中，具有摄像头的模型车辆用于跟踪车道和避开障碍物，以实验研究自动驾驶行为。训练卷积神经网络模型进行车道线跟踪。针对车辆避障问题，分别建立了角点检测、光流、焦点扩展、碰撞时间、平衡计算和决策机制。
2021-05-23 cs.CV cs.LG cs.RO
3D Object Visibility Prediction in Autonomous Driving
LiangDao GmbH（良道有限公司）；Ilmenau University of Technology（伊尔默瑙工业大学）；Great Wall Motor Co., Ltd.（长城汽车股份有限公司）
针对自动驾驶感知阶段的需求，该研究提出3D目标可见性新属性及对应算法，结合多任务学习实现对模型效果与效率的极小影响，拓展下游任务能力，提升实时自动驾驶的安全可靠性。
2024-03-06 cs.CV cs.RO
Pedestrian Emergence Estimation and Occlusion-Aware Risk Assessment for Urban Autonomous Driving
The Ohio State University（俄亥俄州立大学）
避免看不见或部分被遮挡的弱势道路使用者（VRU）是城市场景中完全自动驾驶的主要挑战。然而，闭塞感知风险评估系统尚未得到广泛研究。在这里，我们提出了一个行人出现估计和遮挡感知风险评估系统的城市自动驾驶。首先，所提出的系统利用可用的上下文信息，如可见的汽车和行人，估计行人出现在闭塞区域的概率。这些概率，然后在风险评估框架中使用，并纳入纵向运动控制器。建议的控制器进行测试，对几个基线控制器，概括了一些常见的驾驶风格。模拟的测试场景包括随机放置的停放的汽车和行人，其中大多数人从自我车辆的视野中被遮挡，并随机出现。所提出的控制器在安全性和舒适性方面优于基线。
2021-07-06 cs.AI cs.RO
Scaling Is All You Need: Autonomous Driving with JAX-Accelerated Reinforcement Learning
本文利用JAX加速的强化学习系统，结合高效逼真的驾驶模拟器，在自动驾驶领域进行大规模实验，证明策略性能随规模提升，最佳策略降低失败率64%并提高驾驶进展率25%。
2024-11-05 cs.AI cs.LG cs.RO
An Overview about Emerging Technologies of Autonomous Driving
本文概述了自动驾驶新兴技术，重点探讨了数据闭环框架下的关键技术和开放性问题。
2026-03-11 cs.CV
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
Deep Neural Network Perception Models and Robust Autonomous Driving Systems
Waterloo Artificial Intelligence Institute（滑铁卢人工智能研究所）；Department of Systems Design Engineering, University of Waterloo（滑铁卢大学系统设计工程系）；David Cheriton school of Computer science, University of Waterloo（滑铁卢大学戴维·谢里顿计算机学院）；University of Waterloo（滑铁卢大学）
本文分析了自动驾驶应用中深度学习模型的鲁棒性，并讨论了解决该问题的实用解决方案。
2020-03-04 cs.CV cs.LG cs.RO
Machine Learning-Based Vehicle Intention Trajectory Recognition and Prediction for Autonomous Driving
University of Southern California（南加州大学）；Virginia Tech（弗吉尼亚理工大学）；Miami University（迈阿密大学）；Northern Arizona University（北亚利桑那大学）；Northeastern University（东北大学）
本文针对自动驾驶变道安全问题，提出一种基于深度学习的变道行为预测方法，旨在准确识别驾驶员变道意图，促进安全变道并提升道路安全性。
2024-02-25 cs.CV cs.LG cs.RO
Deep Learning Accelerator in Loop Reliability Evaluation for Autonomous Driving
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）
针对自动驾驶中DLA可靠性评估指标与系统级指标脱节的问题，提出DLA在环可靠性评估平台，在早期设计阶段实现系统级可靠性评估，以减少设计迭代成本。
2023-06-20 cs.AI cs.AR cs.RO
