Z-Merge: Multi-Agent Reinforcement Learning for On-Ramp Merging with Zone-Specific V2X Traffic Information
针对混合交通下自动驾驶车辆匝道汇入的性能瓶颈，提出融合分区V2X全局信息的多智能体强化学习框架，采用混合动作空间与参数化深度Q学习，经多仿真器验证可显著提升汇入效率与安全性。
2025-11-18 cs.RO
Unified Prediction and Planning via Conflict-Aware Disjoint Parameter Training
DGIST（韩国科学技术院大邱庆北校区）；KAIST（韩国科学技术院）
研究社交机器人在拥挤环境中统一预测与规划问题，提出基于模型合并的不相交参数训练框架DPT，通过分布式参数学习减轻技能冲突，稀疏合并提升性能，在标准基准测试中验证其在机器人导航上通用且有效。
2026-08-28 cs.CV cs.RO
Trajectory Prediction with Observations of Variable-Length for Motion Planning in Highway Merging scenarios
WMG, The University of Warwick（华威大学WMG学院）
针对高速公路合流场景下现有轨迹预测方法需固定时长观测才能启动、反应滞后的问题，提出一种可处理1帧以上任意长度观测的transformer基预测方法，在highD、exiD数据集上性能优异，可提升密集交通下的规划安全性、舒适性与效率。
2023-06-08 cs.LG cs.RO
Analysis of lane-change conflict between cars and trucks at merging section using UAV video data
Key Laboratory of Road and Traffic Engineering of Ministry of Education, Tongji University（同济大学道路与交通工程教育部重点实验室）；China Railway Siyuan Survey and Design Group Co., Ltd.（中铁第四勘察设计院集团有限公司）；Institute of Logistics Science and Engineering, Shanghai Maritime University（上海海事大学物流科学与工程研究院）
高速公路入口匝道合流段是交通冲突发生频率较高的路段，也是交通事故多发点。在高速公路合流段，很少有综合考虑不同车型的交通冲突分析研究。因此，本研究的主要目的是分析高速公路合流段不同车型之间的冲突。利用无人机（UAV）在上海市合流区采集了实测数据.车辆提取方法用于获得车辆轨迹。碰撞时间（TTC）被用作替代安全措施。小汽车冲突的TTC最小，卡车冲突的TTC最大。高速公路入口匝道和加速车道是交通冲突的多发地带。结果表明，不同车型间换道冲突的空间分布存在显著差异，提示机动车驾驶员尤其是小轿车驾驶员应保持安全距离。此外，为减少合流区换道冲突，建议交通管理部门在加速车道起始处将虚线车道改为实线车道。
2022-01-05 cs.RO cs.SY eess.SY
A Hierarchical Multi-Vehicle Coordinated Motion Planning Method based on Interactive Spatio-Temporal Corridors
Beijing Institute of Technology（北京理工大学）
提出基于交互式时空走廊（ISTCs）的多车协调运动规划分层方法，通过混合整数二次规划构建走廊解耦高维冲突，再用非线性规划生成满足动力学的轨迹，有效降低计算压力并提升真实场景适用性。
2023-04-03 cs.RO
Space-Time Conflict Spheres for Constrained Multi-Agent Motion Planning
Illinois Mathematics and Science Academy（伊利诺伊数学与科学学院）；Carnegie Mellon University（卡内基梅隆大学）
针对多智能体运动规划难题，提出基于时空冲突球与深度优先搜索的方法，兼具可扩展性与计算保证，支持动静态障碍物，在CARLA无信号路口场景中成功率显著提升且扩展性良好。
2023-04-30 cs.RO
Minimum-violation LTL Planning with Conflicting Specifications
Masaryk University（马萨里克大学）；Massachusetts Institute of Technology (MIT)（麻省理工学院（MIT））
我们考虑的问题，自动生成的控制策略的机器人车辆给出了一组高层次的任务规范，如“车辆x必须最终访问目标区域，然后返回基地”，“区域A和B必须定期调查，”或“没有车辆可以进入一个不安全的区域。“我们专注于由于不兼容和/或环境限制而无法同时达到所有给定规格的情况。我们的目标是找到最少违反控制策略，同时考虑不同的优先级，满足不同的部分的任务。形式上，我们考虑以线性时序逻辑公式的形式给出的任务，每个任务都被分配了一个奖励，当公式得到满足时就会获得奖励。利用自动机为基础的模型检验的想法，我们提出了一个算法，找到一个最优控制策略，最大限度地提高了回报的总和，如果这个控制策略被应用。我们证明了所提出的算法上的一个说明性的案例研究。
2013-03-15 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
Uncertainty-Aware Online Merge Planning with Learned Driver Behavior
Stanford University（斯坦福大学）
安全可靠的自动驾驶解决方案是下一代智能交通系统的关键组成部分。这种系统中的自动驾驶车辆必须实时的推理复杂和动态的驾驶场景，并预测附近驾驶员的行为。人类驾驶行为是高度细致入微的，具体到个人的交通参与者。例如，驾驶员可能会在合并车辆的存在下表现出合作或不合作的行为。必须对这些行为进行评估，并将其纳入安全有效驾驶的规划过程中。在这项工作中，我们提出了一个框架，估计在高速公路上的司机的合作水平和计划合并演习与司机的潜在行为明确建模。潜在的参数估计问题，解决了使用粒子滤波器近似的概率分布的合作水平。一个部分可观测马尔可夫决策过程（POMDP），其中包括潜在的状态估计在线求解，以提取合并车辆的政策。我们评估我们的方法在高保真汽车模拟器对方法是不可知的潜在状态或依赖于$\textit{a priori}$假设演员的行为。
2022-07-11 cs.RO
POMDP-Based Trajectory Planning for On-Ramp Highway Merging
Faculty of Electrical Engineering, Czech Technical University in Prague（布拉格捷克技术大学电气工程学院）；Czech Institute of Informatics, Robotics and Cybernetics, Czech Technical University in Prague（布拉格捷克技术大学捷克信息学、机器人学与控制论研究所）
针对自动驾驶车辆高速公路匝道汇入轨迹规划问题，扩展基于POMDP的轨迹规划方法，结合ABT算法与适配的动力学、奖励模型，仿真验证其能生成安全高效的汇入轨迹，体现POMDP方法在自动驾驶场景的通用性。
2024-12-10 cs.RO
Conflict-free Cooperation Method for Connected and Automated Vehicles at Unsignalized Intersections: Graph-based Modeling and Optimality Analysis
Tsinghua University（清华大学）
互联和自动驾驶汽车在改善交通流动性和减少排放方面显示出巨大的潜力，特别是在无信号交叉口。已有研究表明，车辆通行顺序是提高交叉口交通流动性的关键影响因素。本文提出了一种基于图的协作方法，对无信号交叉口的无冲突调度问题进行了形式化描述。基于图形分析，将车辆的轨迹冲突关系建模为冲突有向图和共存的无向图。在此基础上，提出了两种基于图的车辆通行顺序求解方法。第一种是改进的深度优先生成树算法，该算法的目的是寻找局部最优的车辆通过顺序。另一种新的方法是最小团覆盖算法，它确定全局最优解。最后，提出了一种分布式控制框架和通信拓扑结构，以实现车辆的无冲突协作。针对不同的车辆数和交通量进行了大量的数值仿真，仿真结果证明了所提算法的有效性。
2022-04-28 cs.RO cs.SY eess.SY
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
Preemptive Spatiotemporal Trajectory Adjustment for Heterogeneous Vehicles in Highway Merging Zones
China Railway No.7 Bureau Group No.3 Engineering Co., Ltd.（中铁七局集团第三工程有限公司）
针对高速合流区感知滞后、时空资源利用率低的问题，提出融合车型、驾驶意图与安全时空距离的异构车辆抢占式合流控制策略，仿真验证其可显著降低延误、提升安全与通行效率。
2025-09-30 cs.RO cs.SY eess.SY
Interaction-Aware Decision-Making for Autonomous Vehicles in Forced Merging Scenario Leveraging Social Psychology Factors
University of Michigan（密歇根大学）；Ford Research and Advanced Engineering（福特研究与高级工程中心）；Excelled Tracer LLC（Excelled Tracer有限责任公司）
针对自动驾驶车辆强制汇入问题，提出融合驾驶员社会行为与个人目标的交互行为模型，并采用贝叶斯滤波与滚动时域控制实现在线意图估计和不确定性决策。
2023-09-25 cs.AI cs.RO cs.SY
On Social Interactions of Merging Behaviors at Highway On-Ramps in Congested Traffic
Beijing Institute of Technology（北京理工大学）；University of California at Berkeley（加州大学伯克利分校）；McGill University（麦吉尔大学）
在高速公路入口匝道上合并，同时与其他人类驾驶的车辆进行交互，对于自动驾驶车辆（AV）来说是一项挑战。一个有效的路线，这一挑战需要探索和利用知识的互动过程中的演示由人类。然而，目前还不清楚人类驾驶员在整个合并过程中利用什么信息（或环境状态）来指导他们的行为。本文从时间和空间两个方面对高速公路入口匝道的合流行为进行了定量分析和评价。基于周围车辆的社会偏好，考虑了两种类型的社会交互场景：礼貌和粗鲁。基于真实世界的INTERACTION数据集，对表征交互式合并过程的环境状态的显著水平进行了经验分析。实验结果揭示了两个基本的机制在合并过程中：1）人类驾驶员选择不同的状态，在不同的时刻的任务执行顺序的决策，2）周围的车辆的社会偏好可以影响变量选择决策。这意味着有效的决策设计应该过滤掉无关的信息，同时考虑社会偏好，以实现可比的人类水平的性能。这些重要的发现为开发新的自动驾驶汽车决策方法提供了启示。
2021-08-03 cs.RO cs.SY eess.SY
Trajectory Prediction for Vehicle Conflict Identification at Intersections Using Sequence-to-Sequence Recurrent Neural Networks
冲突指标形式的替代安全措施是主动交通安全工具箱中不可或缺的组成部分。冲突指标可以分为基于过去轨迹的冲突和基于预测轨迹的冲突。虽然前一类冲突的计算是确定性的和明确的，后一类是使用预测的车辆轨迹计算的，因此更具随机性。因此，基于预测的冲突的准确性取决于所使用的轨迹预测算法的准确性。轨迹预测可能是一项具有挑战性的任务，特别是在车辆机动多样的交叉口。此外，由于与道路使用者轨迹提取管线有关的限制，在冲突分析期间车辆的精确几何表示是一项具有挑战性的任务。错误的几何图形扭曲了观察中车辆之间的真实距离。提出了一种基于预测的冲突识别方法。开发了一个序列到序列的递归神经网络，以连续预测未来车辆的轨迹，最多提前3秒。此外，使用CitySim数据集对所提出的网络进行了训练，以预测未来的车辆位置和航向，以便于预测未来的边界框，从而保持准确的车辆几何表示。实验结果表明，该方法优于常用的轨迹预测模型在交叉口的冲突分析。比较了基于车辆边界框和常用车辆中心点的碰撞时间（TTC）识别方法。与限界框方法相比，中心点方法往往无法识别TTC冲突或低估了它们的严重性。
2022-10-13 cs.AI cs.RO
Safe Merging in Mixed Traffic with Confidence
University of Delaware（特拉华大学）；Cornell University（康奈尔大学）
本研究提出一种无需特定模型结构或先验分布的混合交通人类驾驶行为学习方法，结合共形预测提供理论安全保障，设计了可实现网联自动驾驶车辆与人类驾驶车辆安全汇入的控制器，并通过真实数据与数值仿真验证了有效性。
2024-03-09 cs.RO cs.SY eess.SY
Modeling the Lane-Change Reactions to Merging Vehicles for Highway On-Ramp Simulations
Global Center for Automotive Performance Simulation（全球汽车性能模拟中心）；Honda Research Institute, USA Inc.（美国本田研究所）；Virginia Tech Transportation Institute（弗吉尼亚理工大学交通研究所）
本研究通过引入车道变换反应改进高速公路汇入场景仿真，利用在8个代表性地点收集的自然驾驶数据评估两种模型，并集成至高保真仿真环境以支持自动驾驶开发。
2024-07-26 cs.RO cs.SY eess.SY
Dynamic Speed Guidance for CAV Ramp Merging in Non-Cooperative Environment: An On-Site Experiment
Zhejiang Lab（之江实验室）；Sun Yat-sen University（中山大学）
匝道合流是协同智能交通系统（C-ITS）的一个典型应用。路边传感器感知的车辆轨迹是对车载感知有限视野的重要补充。为了充分利用路边摄像机的优势进行车辆轨迹和速度估计，提出了一种车辆跟踪和轨迹去噪算法。提出了一种动态速度引导算法，即使在非合作环境下，主线车辆也不会减速以适应入口车辆，帮助入口车辆顺利并入主线。在杭州绕城高速公路的一个合流区进行了现场实验，仿真分析表明，该算法在匝道合流过程中可以显著节省燃油。
2022-12-21 cs.RO
Analytical Formulation of Autonomous Vehicle Freeway Merging Control with State-Dependent Discharge Rates
Old Dominion University（老道明大学）；University Park（大学公园）
针对自动驾驶车辆高速公路多阶段汇入，本文解析建模状态相关有效释放率，并以汇入位置和速度为决策变量构建动态规划，联合优化延误与碰撞风险。
2025-07-20 cs.RO
Fault-Tolerant MARL for CAVs under Observation Perturbations for Highway On-Ramp Merging
Department of Automation, Tsinghua University（自动化系，清华大学）；Beijing National Research Center for Information Science and Technology (BNRist), Tsinghua University（北京信息科学与技术国家研究中心（BNRist），清华大学）
本文提出了一种面向高速公路汇入车道的抗观测扰动多智能体强化学习故障容错方法，通过对抗性扰动生成和故障容忍智能体设计，提升协同驾驶系统的安全性和效率。
2025-11-28 cs.LG cs.RO cs.SY
A Conflict Resolution Dataset Derived from Argoverse-2: Analysis of the Safety and Efficiency Impacts of Autonomous Vehicles at Intersections
Delft University of Technology（代尔夫特理工大学）
本文基于 Argoverse-2 构建包含 5000 余起 AV 参与和 16000 余起无 AV 冲突案例的开放数据集，并结合安全与效率指标评估交叉口 AV 影响。
2023-12-09 cs.RO cs.SY eess.SY
Uncovering Interpretable Internal States of Merging Tasks at Highway On-Ramps for Autonomous Driving Decision-Making
School of Mechanical Engineering, Beijing Institute of Technology（北京理工大学机械工程学院）；University of California at Berkeley（加州大学伯克利分校）
在复杂的交互场景中，人类根据自己的内部状态做出日常决策。提出了一种概率重构学习方法，用于识别高速公路入口匝道并道时多车序贯相互作用的内部状态。我们将合并任务的顺序决策视为一个动态的随机过程，然后将内部状态集成到HMM-GMR模型中，该模型是扩展高斯混合回归（GMR）和隐马尔可夫模型（HMM）的概率组合。我们还开发了一种变异的期望最大值（EM）算法来估计模型参数，并基于真实世界的数据集进行了验证。实验结果表明，三个可解释的内部状态可以语义描述在高速公路入口匝道的互动合并过程。这一发现提供了一个基础，开发一个有效的基于模型的决策算法的自主车辆（AV）在部分可观察的环境。
2021-05-14 cs.RO cs.SY eess.SY
Intent-Aware Autonomous Driving: A Case Study on Highway Merging Scenarios
University of South Carolina（南卡罗来纳大学）；The Artificial Intelligence Institute, University of South Carolina（南卡罗来纳大学人工智能研究所）
本文研究自动驾驶车辆通过意图共享促进合作，并在highway-env模拟器的高速公路合流场景中验证意图信息如何帮助接收车辆调整行为。
2023-09-22 cs.AI cs.MA cs.RO
Probabilistic Safety-Assured Adaptive Merging Control for Autonomous Vehicles
Carnegie Mellon University（卡内基梅隆大学）
自动驾驶汽车在不同的场景中与人类驾驶员互动时面临着巨大的挑战。开发具有安全保证的控制方法，同时执行与不确定性的相互作用是一个正在进行的研究目标。在本文中，我们提出了一个实时的安全控制框架，使用双层优化与控制障碍函数（CBF），使自主自我车辆与人类驾驶的汽车在坡道合并的情况下进行交互，具有一致的安全保证。为了明确地解决运动的不确定性，我们提出了一种新的扩展控制障碍函数的概率设置与可证明的机会约束的安全性，并分析我们的控制设计的可行性。制定的双层优化框架首先需要选择自我车辆的最佳驾驶风格的安全性和主要目标，然后最小限度地修改标称控制器的情况下，二次规划的概率安全约束。这允许适应不同的驾驶策略，并为自我车辆的安全控制器提供形式上可证明的可行性保证。实验结果表明，我们所提出的方法的有效性。
2021-04-29 cs.RO
HCOMC: A Hierarchical Cooperative On-Ramp Merging Control Framework in Mixed Traffic Environment on Two-Lane Highways
针对混合交通流，本文提出HCOMC分层协作匝道汇入控制框架，结合改进虚拟车辆模型、博弈论换道与多目标优化，显著提升了汇入过程的安全性与交通效率。
2025-07-15 cs.AI cs.RO cs.SY
Bench4Merge: A Comprehensive Benchmark for Merging in Realistic Dense Traffic with Micro-Interactive Vehicles
Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院（AIR））；College of Energy Engineering, Zhejiang University（浙江大学能源工程学院）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Didi Chuxing（滴滴出行）
针对密集交通中汇入场景评估困难的问题，提出闭环评估基准Bench4Merge，利用微观交互车辆和LLM重构评估机制，全面评估并揭示现有运动规划方法的问题。
2025-04-02 cs.AI cs.RO
C2TE: Coordinated Constrained Task Execution Design for Ordering-Flexible Multi-Vehicle Platoon Merging
School of Mechanical and Aerospace Engineering,Nanyang Technological University, Singapore, 637460（机械与航空航天工程学院，南洋理工大学，新加坡）；School of Transportation Science and Engineering, Beihang University, Beijing, China, 100191（交通运输科学与工程学院，北航大学，北京）
针对多车辆灵活编队合并需求，提出两阶段分布式C2TE算法，通过CBF约束建模各类子任务，经实验与仿真验证了其有效性、灵活性及多场景下的鲁棒性与可扩展性。
2025-06-16 cs.RO
Reinforcement Learning in Conflicting Environments for Autonomous Vehicles
Technische Universität München（慕尼黑工业大学）
在这项工作中，我们研究应用强化学习两个著名的决策困境，即纽科姆的问题和囚徒困境。这些问题是自主智能体在与人类交互时所面临的困境的典范。此外，我们认为，一个纽科姆式的配方是更充分的人机交互的情况下，经验表明，未经修改的强化学习算法最终与众所周知的最大期望效用的解决方案。
2016-10-22 cs.AI cs.HC cs.RO
An Interaction-aware Evaluation Method for Highly Automated Vehicles
the University of Michigan（密歇根大学）；Toyota Research Institute（丰田研究所）
建立严格的验证和确认（V&V）流程，以在高度自动化车辆（HAV）在公共道路上广泛部署之前评估其安全性非常重要。在本文中，我们提出了一个互动意识的框架HAV安全评估，这是适合于一些高度互动的驾驶场景，包括高速公路合并，环形交叉口进入等现有的方法相反，主要的其他车辆（ESTA）采取预定的机动，我们建模ESTA作为一个博弈论代理。为了捕捉各种各样的互动之间的测试和车辆测试（VUT），我们的互动行为的特点，使用水平k博弈论和社会价值取向和训练不同的一组使用强化学习的POVs。此外，我们提出了一个自适应的测试用例抽样方案的基础上高斯过程回归技术，以产生定制的和多样化的挑战性的情况下。高速公路合并被用作示例场景。我们发现所提出的方法是能够捕捉到广泛的故障行为，并实现更好的覆盖率的VUT的故障模式相比，其他评估方法。
2021-02-23 cs.RO cs.SY eess.SY
A COLREGs-Compliant Conflict Resolution Strategy for Autonomous Surface Vehicles
Manipal Institute of Technology（马尼帕尔理工学院）；IISER Bhopal（博帕尔印度科学教育与研究院）
本研究针对多船舶环境下自主水面航行器的避碰需求，提出符合COLREGs的两阶段COMCORE冲突消解策略，可低成本生成无碰撞轨迹，具备高可扩展性，且经真实水域实验验证可行。
2023-12-13 cs.RO
Safety-Critical Human-Machine Shared Driving for Vehicle Collision Avoidance based on Hamilton-Jacobi reachability
Tsinghua University（清华大学）；University of Michigan（密歇根大学）；Central South University（中南大学）
针对车辆避碰人机共享控制中现有方法易打断驾驶员意图、冲突风险高的问题，提出基于HJ可达性分析的RL框架，仅在车辆接近CARS时介入，通过预计算可达集、驾驶员建模与权限分配策略，在实车测试中实现了有效避碰且减少人机冲突。
2025-08-31 cs.RO cs.SY eess.SY
RACE-SM: Reinforcement Learning Based Autonomous Control for Social On-Ramp Merging
School of Mechanical and Aerospace Engineering, Queen’s University Belfast（贝尔法斯特女王大学机械与航空航天工程学院）
针对人类驾驶交通中的平行式匝道合流难题，提出基于深度强化学习的新模型RACE-SM，利用社会价值取向加权自车与周围车辆效用，实现社会可接受的加速与变道决策，仿真证明其碰撞率不劣于现有方法且更具社交礼貌性。
2024-03-15 cs.AI cs.LG cs.RO
SevDiff: Severity-Conditioned Diffusion for Long-Tail Conflict Trajectory Generation
研究针对ADAS评估中冲突轨迹罕见及现有方法不足的问题，提出SevDiff严重程度条件扩散模型，以TTC值为调节信号生成配对轨迹，经训练在不同TTC目标下有高命中率，生成特征物理合理，命中率下降模式可精确表征生成器。
2026-07-24 cs.LG cs.RO cs.SY
Decentralized Opinion-Integrated Decision making at Unsignalized Intersections via Signed Networks
Free University of Bozen-Bolzano（博尔扎诺自由大学）；Chalmers University of Technology（查尔姆斯理工大学）
本文提出一种闭环意见动态决策模型，利用双重带符号网络实现无信号交叉口的协同决策，避免集中协调器，通过意见状态调节速度优化器权重，实现无碰撞的协调决策。
2026-04-10 cs.MA cs.RO cs.SY
A reproducible approach to merging behavior analysis based on High Definition Map
Tongji University（同济大学）；National University of Singapore（新加坡国立大学）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Southwest Jiaotong University（西南交通大学）
现有的关于合并行为的研究通常优先考虑各种算法的应用，但往往忽视了对轨迹的细粒度处理和分析。这就导致了对周边车辆匹配的忽视、指标定义的不透明和可复制性危机。为了解决这些差距，本文提出了一种可重复的方法来合并行为分析。具体来说，我们概述了现有研究中的主观性和不可再现性的原因。此后，我们采用lanelet2高清（HD）地图构建一个可重复的框架，最大限度地减少主观性，定义标准化指标，识别旁边的车辆，并划分场景。随后进行了比较宏观和微观分析。更重要的是，本文坚持可复制的研究概念，提供所有的源代码和复制说明。我们的研究结果表明，虽然与并排车辆的情况下发生在不到6%的情况下，他们的特点是显着不同的，这些情况下往往伴随着高风险。本文提炼了对合并行为的理解，提高了对可重复研究的认识，并成为一个分水岭。
2023-03-21 cs.RO
Adaptive Safe Merging Control for Heterogeneous Autonomous Vehicles using Parametric Control Barrier Functions
Carnegie Mellon University（卡内基梅隆大学）
随着对机器人安全自主性的日益重视，基于模型的安全控制方法如控制障碍函数已被广泛研究，以确保在机器人之间的相互作用的安全性。在本文中，我们引入了参数控制障碍函数（参数CBF），传统的控制障碍函数的一种新的变体，以扩展其表达能力，在描述不同的安全行为之间的异构机器人。而不是假设合作和同质的机器人使用相同的安全控制器，自我机器人能够通过不同的参数CBF与观察到的数据模型的相邻机器人的底层安全控制器。给定学习的参数CBF和证明的前向不变性，它为自我机器人提供了更大的灵活性，以更好地与其他异构机器人协调，提高效率，同时享受形式上可证明的安全保证。我们展示了使用参数CBF的行为预测和自适应安全控制的坡道合并的情况下，从自动驾驶的应用。与传统的CBF相比，参数CBF的优点是捕捉不同的驱动程序的特性，提供更丰富的描述机器人的行为在安全控制的上下文中。数值仿真验证了该方法的有效性。
2022-02-20 cs.RO
Interaction-aware Decision Making with Adaptive Strategies under Merging Scenarios
University of California, Berkeley（加州大学伯克利分校）；Honda Research Institute（本田研究所）
为了在合并场景下安全有效地驾驶，自动驾驶汽车应该了解周围环境，并通过与其他道路参与者的交互来做出决策。此外，当自动驾驶车辆与具有不同合作水平的驾驶员交互时，应采取不同的策略。车辆是否在合并车道或主车道上也会影响驾驶操纵，因为驾驶员在有通行权时的行为与其他情况下不同。许多传统的方法已经被提出来解决合并场景下的决策问题。然而，这些工作要么是无法建模复杂的相互作用，或需要实现手工设计的规则，不能正确处理现实世界中的不确定性。在本文中，我们提出了一种交互感知决策与自适应策略（IDAS）的方法，可以让自动驾驶汽车与其他司机协商的道路，利用他们的合作下合并的情况。通过课程学习策略，在多智能体强化学习（MARL）环境下学习单个策略，使智能体能够自动推断其他驾驶员的各种行为并做出策略性决策.提出了一种屏蔽机制，以防止智能体探索违反人类判断常识的状态，提高学习效率。一个典型的合并方案被用来实现和检查所提出的方法。
2020-02-21 cs.AI cs.LG cs.RO
Autonomous Highway Merging in Mixed Traffic Using Reinforcement Learning and Motion Predictive Safety Controller
Shanghai University（上海大学）；Michigan State University（密歇根州立大学）
深度强化学习（DRL）在解决自动驾驶中的复杂决策问题方面具有巨大潜力，特别是在自动驾驶汽车和人类驾驶汽车（HDV）一起驾驶的混合交通场景中。安全性是学习和部署强化学习（RL）算法过程中的关键。在本文中，我们将入口匝道合并表示为马尔可夫决策过程（MDP）问题，并使用非策略RL算法解决它，即，用于离散动作设置的软Actor-Critic（SAC-离散）。此外，提出了一种运动预测安全控制器，包括运动预测器和动作替代模块，以确保在训练和测试期间的驾驶安全。运动预测器从运动学模型估计自我车辆和周围车辆的轨迹，并预测潜在的碰撞。动作替换模块基于安全距离更新动作，并替换危险动作，然后将它们发送到低级控制器。我们训练，评估和测试我们的方法在一个健身房般的高速公路模拟三个不同级别的交通模式。仿真结果表明，即使在较硬的交通密度，我们提出的方法仍然显着降低碰撞率，同时保持高效率，优于几个国家的最先进的基线在考虑入口匝道合并的情况下。有关评估过程的视频演示，请访问：https://www.youtube.com/watch? v=7FvjbAM4oFw
2022-04-03 cs.RO
Towards Robust On-Ramp Merging via Augmented Multimodal Reinforcement Learning
Michigan Technological University（密歇根理工大学）；University of Science and Technology of China（中国科学技术大学）
尽管人工智能车载感知取得了成功，但入口匝道合并一直是自动驾驶面临的主要挑战之一。由于车载传感器的感知范围有限，并道车辆很难观察到主干道的路况并道。通过利用联网车辆和自动驾驶车辆（CAV）之间的无线通信，合并CAV有可能主动获取附近车辆的意图。然而，CAV可能容易出现不准确的观测，例如嘈杂的基本安全信息（BSM）和质量差的监视图像。在本文中，我们提出了一种新的方法，通过增强和多模态强化学习，命名为RAMRL的CAV的鲁棒入口匝道合并。具体来说，我们制定了一个马尔可夫决策过程（MDP）的入口匝道合并问题，考虑到驾驶安全，舒适的驾驶行为，和交通效率。为了提供可靠的合并操作，我们同时利用BSM和监控图像进行多模态观察，用于通过近端策略优化（PPO）学习策略模型。此外，为了提高数据效率并提供更好的泛化性能，我们训练增强数据（例如，噪声BSM和噪声监视图像）。在两种典型的合流场景下，利用城市移动性仿真平台（SUMO）进行了大量的实验。实验结果表明，我们的鲁棒入口匝道合并设计的有效性和效率。
2022-07-21 cs.AI cs.LG cs.RO
Autonomous Ramp Merge Maneuver Based on Reinforcement Learning with Continuous Action Space
University of California, Berkeley（加州大学伯克利分校）
匝道并线是保证道路安全和交通效率的重要手段。目前由多家汽车制造商和供应商开发的大多数自动驾驶系统通常仅限于限制进入的高速公路。将自动化模式扩展到匝道合并区带来了巨大的挑战。一个是自动驾驶汽车需要纳入未来目标（例如成功和顺利的合并），并在执行当前操作时优化受后续操作影响的长期奖励。此外，合并过程涉及合并车辆及其周围车辆之间的相互作用，其行为可能是合作的或对抗的，从而导致不同的合并对策，这对于成功完成合并至关重要。代替传统的基于规则的方法，我们建议应用强化学习算法的自动驾驶车辆代理，以找到一个最佳的驾驶策略，通过最大化的长期奖励在一个互动的驾驶环境。最重要的是，与大多数强化学习应用中将动作空间解析为离散的相反，我们的方法将动作空间和状态空间视为连续的，而不会产生额外的计算成本。我们独特的贡献是设计的Q-函数近似，其格式是结构化的二次函数，简单而有效的神经网络被用来估计其系数。训练平台的实现结果表明，车辆智能体能够学习到安全、平稳、及时的并车策略，表明了该方法的有效性和实用性。
2018-03-25 cs.AI cs.RO
Optimal Control of Connected Automated Vehicles with Event-Triggered Control Barrier Functions: a Test Bed for Safe Optimal Merging
Boston University（波士顿大学）；Massachusetts Institute of Technology（麻省理工学院）
本文针对冲突区域CAV安全最优汇入控制，提出带安全保证的事件触发CBF-QP机制以降低计算与通信负担，并通过移动机器人试验台验证其有效性。
2023-06-02 cs.RO
Multi Agent Pathfinding for Noise Restricted Hybrid Fuel Unmanned Aerial Vehicles
University of Cincinnati（辛辛那提大学）；Infoscitex corp.（因福赛特克斯公司）；Air Force Research Laboratory（空军研究实验室）
本文研究受位置相关噪声限制的混合燃料无人机机队的多智能体路径规划问题，通过搜索约束树并采用标号算法求解每个节点受噪声、燃料及冲突区域约束的最短路径子问题，最后给出多规模实验结果。
2024-03-26 cs.RO math.OC
HERMES: Heterogeneous Edge-Relational Multi-Head Embedded SSM Attention for Traffic Conflict Prediction at Signalized Intersections
研究针对交通冲突预测，提出HERMES异构边缘关系图神经网络，利用特定关系注意力等方法，在多指标上表现优异，优于基线模型，联合训练提升目标站点性能，为信号交叉口路边安全监测提供支持。
2026-07-24 cs.LG cs.RO
An Evolutionary Game-Theoretic Merging Decision-Making Considering Social Acceptance for Autonomous Driving
School of Mechanical Engineering（机械工程学院）；Beijing Institute of Technology（北京理工大学）
针对自动驾驶高速公路匝道汇入的动态复杂性与社会接受度问题，提出基于有限理性的演化博弈论决策框架，通过求解演化稳定策略推导最优切入时机，并结合实时驾驶风格估计在线调整收益函数，有效提升了汇入效率、安全性与舒适性。
2025-08-09 cs.AI cs.RO
FLUID: A Fine-Grained Lightweight Urban Signalized-Intersection Dataset of Dense Conflict Trajectories
School of Intelligent Systems Engineering, Sun Yat-sen University（智能系统工程学院，中山大学）；Guangdong Provincial Key Laboratory of Intelligent Transportation Systems（广东省智能交通系统重点实验室）；Pengcheng Laboratory（鹏城实验室）
FLUID数据集通过细粒度轨迹记录和轻量级处理框架，为研究城市信号交叉口的密集冲突提供了高时空精度的数据支持。
2026-02-21 cs.CV cs.RO
Cooperation-Aware Reinforcement Learning for Merging in Dense Traffic
Stanford University（斯坦福大学）；Honda Research Institute（本田研究院）
对于自动驾驶汽车来说，在密集的交通中做出决策可能是一项挑战。仅依赖于预定义的道路优先级并将其他驾驶员视为移动物体的自动系统将导致车辆冻结并导致机动失败。人类驾驶员利用其他驾驶员的合作来避免这种僵局情况，并说服其他人改变他们的行为。决策算法必须考虑与其他驾驶员的互动，并预测广泛的驾驶员行为。在这项工作中，我们提出了一个强化学习的方法来学习如何与不同的合作水平的驱动程序进行交互。我们通过保持对其他驾驶员合作水平的信念来增强传统强化学习算法的性能。我们表明，我们的代理成功地学习如何导航密集的合并方案，比在线规划方法少死锁。
2019-06-26 cs.AI cs.LG cs.RO
Active Learning with Dual Model Predictive Path-Integral Control for Interaction-Aware Autonomous Highway On-ramp Merging
Institute for Robotics and Intelligent Machines, Georgia Institute of Technology（佐治亚理工学院机器人与智能机器研究所）；Honda Research Institute USA, Inc.（美国本田研究所）
针对自动驾驶匝道并线，提出基于模型预测路径积分控制的双控制框架，结合贝叶斯推断主动学习其他驾驶员参数，生成交互轨迹，并通过高、低保真模拟验证有效性。
2023-10-11 cs.RO math.OC
Learning to Robustly Negotiate Bi-Directional Lane Usage in High-Conflict Driving Scenarios
Technical University of Munich（慕尼黑工业大学）；Carnegie Mellon University（卡内基梅隆大学）
最近，自动驾驶在解决最常见的交通场景（如十字路口导航和车道变换）方面取得了实质性进展。然而，这些成功的案例大多局限于具有明确交通规则的场景，并且需要与其他车辆进行最少的协商。在本文中，我们介绍了一个以前未考虑的，但每天，高冲突的驾驶场景需要平等的权利和优先级的代理之间的谈判。没有集中控制结构，我们不允许通信。因此，不知道其他司机是否愿意合作，如果愿意，合作到什么程度。我们使用多智能体强化学习（MARL）来训练策略，以与具有不可观察的合作程度的对立车辆进行鲁棒谈判。我们提出了离散非对称软演员批评（DASAC），一个最大熵的政策外MARL算法，允许集中训练与分散执行。我们表明，使用DASAC，我们能够成功地协商和遍历的情况下考虑超过99%的时间。我们的代理人是强大的对手的决定，一个不可观察的程度的合作的反对车辆，和以前从未遇到的政策的一个未知的时间。此外，他们学会表现出类似人类的行为，如防御性驾驶，预测解决方案选项和解释其他代理的行为。
2021-03-22 cs.AI cs.LG cs.MA
Lane-Merging Using Policy-based Reinforcement Learning and Post-Optimization
fortiss GmbH（福蒂思有限公司）；Technische Universität München（慕尼黑工业大学）
许多当前的行为生成方法难以处理真实世界的交通情况，因为它们不能很好地扩展复杂性。然而，可以使用数据驱动的方法离线学习行为。特别是，强化学习是有前途的，因为它隐含地学习如何利用收集的经验的行为。在这项工作中，我们将基于策略的强化学习与局部优化相结合，以培养和综合这两种方法中最好的一种。基于策略的强化学习算法为后期优化提供了初始解和指导性参考。因此，优化器只需计算单个同伦类，例如\在另一辆车的后面或前面行驶。通过在强化学习期间存储状态历史，它可以用于约束检查，优化器可以考虑交互。后优化还充当安全层，因此，该新方法可以应用于安全关键应用中。我们评估所提出的方法使用变道的情况下，不同数量的车辆。
2020-03-06 cs.AI cs.LG cs.MA
