AutonoVi: Autonomous Vehicle Planning with Dynamic Maneuvers and Traffic Constraints
University of North Carolina, Chapel Hill(北卡罗来纳大学教堂山分校);University of Central Florida(中佛罗里达大学)
我们提出了AutonoVi:,一种新的自主车辆导航算法,支持动态机动,满足交通约束和规范。我们的方法是基于优化的机动规划,支持动态车道变化,转弯,刹车在所有的交通场景,并引导车辆到其目标位置。我们考虑到各种交通约束,包括避免与其他车辆,行人和骑自行车的人使用控制速度障碍碰撞。我们使用数据驱动的方法来建模车辆动力学控制和避免碰撞。此外,我们的轨迹计算算法考虑到交通规则和行为,如停止在十字路口和红灯,基于圆弧样条表示。我们在模拟环境中评估了我们的算法,并测试了其在城市和高速公路驾驶场景中与数十辆汽车,行人和骑自行车的人的交互性能。这些场景包括乱穿马路的行人、从高速上突然停车、安全地通过骑自行车的人、车辆突然转向车道以及高密度交通,其中车辆必须改变车道以更有效地前进。
2017-03-29 cs.MA cs.RO
Courteous Behavior of Automated Vehicles at Unsignalized Intersections via Reinforcement Learning
University of Freiburg(弗莱堡大学)
从今天的主要是人类驾驶的交通到纯粹的自动化交通的转变将是一个渐进的演变,其影响是,我们可能会在不久的将来经历混合交通。互联和自动驾驶汽车可以以不同的方式使人类驾驶的汽车和整个交通系统受益,例如通过改善碰撞避免和减少交通波。已经进行了许多研究来改善交叉口管理,这是交通中的一个重要瓶颈,使用智能交通信号或完全自动化的车辆。然而,如何改善无信号交叉口的混合交通问题却较少受到关注。在本文中,我们提出了一种新的方法来优化混合交通情况下的交叉口交通流,使用深度强化学习。我们的强化学习代理为集中控制器学习一种策略,让连接的自动驾驶车辆在无信号交叉口放弃他们的通行权,让位给其他车辆,以优化交通流量。我们实现了我们的方法,并测试了它在交通模拟器SUMO的基础上模拟和真实的交通数据。实验评估表明,我们的方法显着提高了交通流量通过无信号交叉口在混合交通设置,也提供了更好的性能在广泛的交通情况相比,国家的最先进的交通信号控制器相应的信号交叉口。
2021-06-11 cs.LG cs.RO
Virtual Rings on Highways: Traffic Control by Connected Automated Vehicles
California Institute of Technology(加州理工学院);Ford Research and Innovation Center(福特研究与创新中心);University of Michigan(密歇根大学)
这项工作介绍了连接的自动驾驶汽车的交通控制。讨论了车辆控制对车辆交通的影响以及交通控制策略,并进行了比较。值得强调的是,车辆到一切的连接允许连接的自动驾驶车辆访问其背后的交通状态,以便可以利用反馈来减轻不断变化的干扰。数值模拟表明,这种基于连通性的交通控制有利于公路交通的平稳性和能源效率。交通流的动力学和稳定性,在所提出的控制器,进行了详细的分析,构建稳定性图,指导稳定控制增益的选择。
2022-04-24 cs.RO cs.SY eess.SY
Game-theoretic Modeling of Traffic in Unsignalized Intersection Network for Autonomous Vehicle Control Verification and Validation
University of Michigan(密歇根大学);Bilkent University(比尔肯大学)
在可预见的未来,自动驾驶汽车(AV)将与人类驾驶的汽车一起在交通中运行。他们的规划和控制系统需要进行广泛的测试,包括模拟自动驾驶/人类驾驶车辆之间的交互的早期测试。出于对这种仿真工具的需求,我们提出了一种博弈论的方法来建模车辆的相互作用,特别是在城市交通环境与无信号交叉口。我们开发的交通模型与异构(在他们的驾驶风格方面)和互动的车辆基于我们提出的方法,并使用它们进行虚拟测试,评估和校准的AV控制系统。为了说明,我们考虑两种AV控制方法,分析其特性和性能的基础上,我们开发的交通模型的仿真结果,并优化其中之一的参数。
2020-07-18 cs.RO cs.SY eess.SY
Road Traffic Law Adaptive Decision-making for Self-Driving Vehicles
Tsinghua University(清华大学);Road Traffic Safety Research Center(道路交通安全研究中心);Beijing Institute of Technology(北京理工大学);Carnegie Mellon University(卡内基梅隆大学)
本文提出一种基于强化学习和线性时序逻辑的道路交通法规自适应决策方法,通过法规自适应后备策略、长期动作空间监测和轨迹重规划,使自动驾驶车辆在CARLA模拟场景中有效遵守新颁布或更新的交通法规。
2023-04-19 cs.RO cs.SY eess.SY
Towards Cooperative Motion Planning for Automated Vehicles in Mixed Traffic
FZI Research Center for Information Technology(FZI 信息技术研究中心);Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院)
虽然自动车辆的运动规划技术在反应和预期的方式已经被广泛提出,合作运动规划的方法仍然存在。在本文中,我们提出了一种方法来提高常见的运动规划算法,允许与人类驾驶的车辆合作。与以前的方法不同,我们将其他交通参与者的预测集成到运动规划中,这样就可以考虑到自我车辆的行为对其他交通参与者的影响。为此,提出了一种新的成本函数,包含场景中所有相关交通参与者的成本。最后,我们提出了一个路径速度分解采样为基础的实现,我们的方法为选定的情况下,这是在模拟评估。
2017-08-23 cs.MA cs.RO
Multi-Vehicle Interaction Scenarios Generation with Interpretable Traffic Primitives and Gaussian Process Regression
Carnegie Mellon University(卡内基梅隆大学)
当道路数据不足时,生成多车辆交互场景可以有益于自主车辆的运动规划和决策制定。本文提出了一种有效的方法来生成不同的多车辆交互场景,既可以适应不同的道路几何形状,并继承在现实世界中的驾驶的关键交互模式。为此,可用的多车辆相互作用的情况下,时间分割成几个可解释的基本构建块,称为交通原语,通过贝叶斯非参数学习。然后,通过基于采样的路径规划算法,将交通基元的变点转化为期望的道路,生成无碰撞的交互轨迹。最后引入高斯过程回归来控制生成的多车辆交互轨迹的方差和平滑度。对三种典型的多车运动轨迹进行了仿真实验。实验结果表明,我们提出的方法可以生成一堆类似人类的多车交互轨迹,可以适应不同的道路条件下保持在提供的场景中的代理的关键交互模式,这是进口的自主车辆的发展。
2019-10-08 cs.LG cs.RO
Safe and Efficient Manoeuvring for Emergency Vehicles in Autonomous Traffic using Multi-Agent Proximal Policy Optimisation
Imperial College London(帝国理工学院)
在紧急车辆存在的情况下的操纵仍然是车辆自主系统的主要问题。大多数针对这一主题的研究都是基于规则的方法,无法涵盖自主交通中可能发生的所有可能情况。多智能体邻近策略优化(MAPPO)最近已经成为自治系统的一种强大方法,因为它允许在数千种不同的情况下进行训练。在这项研究中,我们提出了一种基于MAPPO的方法,以保证在紧急车辆存在的情况下自动驾驶车辆的安全和有效的操纵。我们引入了一个风险度量,总结了潜在的碰撞风险在一个单一的指数。所提出的方法产生的合作政策,允许紧急车辆去在$15 \%$更高的平均速度,同时保持高的安全距离。此外,我们探讨安全和交通效率之间的权衡,并评估在竞争激烈的情况下的性能。
2022-10-31 cs.MA cs.RO
Connected Cruise and Traffic Control for Pairs of Connected Automated Vehicles
University of Michigan(密歇根大学);California Institute of Technology(加州理工学院)
针对含互联自动驾驶车与人类驾驶车的混合交通,提出配对互联自动驾驶车的协同控制策略,可稳定中间车流,中等渗透率下即可显著提升交通串稳定性。
2023-06-12 cs.RO cs.SY eess.SY
Interaction-Aware Vehicle Motion Planning with Collision Avoidance Constraints in Highway Traffic
Kyungpook National University(庆北国立大学)
本文针对高速公路自动驾驶中的车辆交互问题,提出一种将周围车辆轨迹与避撞约束耦合的最优控制框架,并基于庞特里亚金极小值原理实现轨迹优化,仿真验证了其有效性。
2024-04-02 cs.RO cs.SY eess.SY
Hardware-In-the-Loop for Connected Automated Vehicles Testing in Real Traffic
University of California, Berkeley(加州大学伯克利分校);Hyundai Motor Group(现代汽车集团)
我们提出了一个硬件在环(HIL)仿真设置,用于在动态的真实场景中对互联自动驾驶汽车(CAV)进行可重复测试。我们的目标是测试控制和规划算法及其在车辆硬件上的分布式实现,并可能在云中。HIL设置结合了用于感知传感器、道路地形和信号交叉口的PreScan;用于交通微观仿真的Vissim;用于车辆和动力系统动力学的ETAS DESK-LABCAR/测功机;以及用于CAV实时的控制的车载电子控制单元。交通和信号交叉口的模型由真实世界的测量驱动。为了演示这种HIL仿真设置,我们测试了一种模型预测控制方法,以最大限度地提高城市环境中CAV的能源效率。
2019-07-21 cs.RO math.OC
Design, Field Evaluation, and Traffic Analysis of a Competitive Autonomous Driving Model in a Congested Environment
Korea Advanced Institute of Science and Technologies (KAIST)(韩国科学技术院)
最近,许多研究已经调查了使用车辆到一切(V2X)之间的通信的协作交通系统。不幸的是,当部署多个自动驾驶车辆同时暴露于通信故障时,各种自动驾驶车辆之间可能存在理想条件的冲突,从而导致道路上的对抗情况。在韩国,虚拟和现实城市自动多车比赛分别于2021年3月和11月举行。在比赛中,多辆车同时参与,这需要操纵,如超车低速车辆,通过十字路口,并遵守交通法规。在这项研究中,我们引入了一个完全自动驾驶的软件栈来部署一个有竞争力的驾驶模型,这使我们能够赢得城市自动驾驶多车比赛。我们评估基于模块的系统,如导航,感知和规划在现实和虚拟环境中。此外,在通过通信收集多个车辆位置数据之后执行交通分析,以获得对多智能体自动驾驶场景的额外洞察。最后,我们提出了一种分析交通的方法,以比较多辆自动驾驶汽车的空间分布。我们研究每个团队的驾驶日志数据之间的相似性分布,以确定竞争性自动驾驶对交通环境的影响。
2022-11-07 cs.RO cs.SY eess.SY
Energy-Aware Lane Planning for Connected Electric Vehicles in Urban Traffic: Design and Vehicle-in-the-Loop Validation
Department of Mechanical Engineering, UC Berkeley(机械工程系,伯克利大学);Department of Civil Engineering, UC Berkeley(土木工程系,伯克利大学);Zoox, Inc.(Zoox公司)
本文提出了一种基于V2I通信的能耗感知运动规划框架,通过联合优化纵向速度和横向车道变更决策,实现城市交通中能耗降低24%的显著效果。
2025-12-07 cs.RO cs.SY eess.SY
Vehicle Route Planning using Dynamically Weighted Dijkstra's Algorithm with Traffic Prediction
Jaguar Land Rover India Limited(捷豹路虎印度有限公司);University of Cambridge(剑桥大学)
传统的车辆路径算法没有考虑交通的变化特性。虽然存在具有不同权重的Dijkstra算法的实现,但是权重经常在算法的结果被执行之后改变,这可能并不总是导致选择最优路线。因此,本文提出了一种新的车辆路径算法,改进了Dijkstra的算法,使用交通预测模型的基础上,在道路网络中的交通流量。这里,Dijkstra算法在规划阶段本身使用交通流理论原理而被适配为动态的和不定常的。该模型提供了预测的交通参数和旅行时间在每个时刻的道路网络的每个边缘,导致更好的路由结果。本文提出的动态算法预测规划过程中每个时间步的交通状况变化,给出最优前瞻路径,并在随机模拟交通量的图上与传统的Dijkstra算法进行了比较,结果表明,该算法能更好地预测连续变化交通量下的最优路径。
2022-05-30 cs.RO cs.SY eess.SY
Learning to Control and Coordinate Mixed Traffic Through Robot Vehicles at Complex and Unsignalized Intersections
The University of Hong Kong(香港大学)
针对复杂无信号交叉口混合交通协调难题,提出去中心化多智能体强化学习方法,仅需少量机器人车辆即可防拥堵,高渗透率下优于信号控制,且鲁棒性、泛化性和场景适应性强。
2024-11-02 cs.LG cs.MA cs.RO
Cooperative Schedule-Driven Intersection Control with Connected and Autonomous Vehicles
Carnegie Mellon University(卡内基梅隆大学)
最近的工作分散,时间表驱动的交通控制已经证明了在复杂的城市道路网络,以提高交通流的效率的能力。在这种方法中,调度代理与每个交叉口相关联。每个代理感知接近其交叉口的交通,并实时构建一个时间表,最大限度地减少在当前前瞻视野内接近交叉口的车辆的累积等待时间。在本文中,我们提出了一种合作算法,利用连接和自动驾驶车辆(CAV)和时间表驱动的交通控制,以创造更好的城市交通流。该算法使交叉口调度代理调整的到来时间的车队通过使用无线通信来控制车辆的速度。接近队列的序列因此被移向具有较小累积延迟的新形状。我们演示了如何在实时交通信号控制问题,该算法优于原来的方法。
2019-07-03 cs.RO cs.SY eess.SY
Autonomous vehicle decision and control through reinforcement learning with traffic flow randomization
Shien-Ming Wu School of Intelligent Engineering, South China University of Technology(华南理工大学吴贤铭智能工程学院)
本研究提出通过随机化SUMO中微观交通流参数来训练强化学习策略,提升自动驾驶在真实交通场景中的性能,实验证明该方法显著提高了成功率和计算奖励。
2024-04-19 cs.LG cs.RO cs.SY
Safe and Efficient Intersection Control of Connected and Autonomous Intersection Traffic
Daniel Felix Ritchie School of Engineering and Computer Science(丹尼尔·费利克斯·里奇工程与计算机科学学院)
本文提出DICA算法,用于协调自动驾驶车辆在交叉口的安全高效通行,同时通过Reactive DICA算法优化紧急车辆通行优先级,确保应急车辆快速通过而最小化其他车辆的行程影响。
2018-01-29 cs.RO cs.SY eess.SY