Behavioral Safety Assessment towards Large-scale Deployment of Autonomous Vehicles, Part I: Methodology
University of Michigan Transportation Research Institute（密歇根大学交通研究所）；University of Michigan（密歇根大学）；The University of Hong Kong（香港大学）；Laplace Intelligence（拉普拉斯智能）；Tsinghua University（清华大学）
针对传统功能安全方法不足，提出行为安全评估范式，通过行为能力测试和驾驶智能测试两个组件，系统评估自动驾驶车辆在交通环境中的安全行为。
2026-10-14 cs.RO
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
Numerical Energy Analysis of In-wheel Motor Driven Autonomous Electric Vehicles
Case Western Reserve University（凯斯西储大学）；Nantong University（南通大学）
自主电动汽车作为未来地面交通的发展方向受到广泛的研究，但基于传统动力传动系统的自主电动汽车限制了其能量和动力的传输效率，可能会阻碍其广泛的应用。在这里，我们报告了一项关于由轮内电机驱动的中型自主电动汽车的能耗和效率改善的研究，通过开发一个数值能量模型，用实际驾驶数据进行验证，并在案例研究中实施。通过平路、上坡、下坡3种行驶工况下的能量分析，考察了能量消耗情况，并对轮毂电机驱动动力总成系统的节能潜力进行了系统的探讨。在考虑再生制动能量回收的基础上，基于车辆动力学和自动驾驶模式，计算了特定行驶循环下的能耗和再生能量。使用西洛杉矶的基线电动汽车驾驶数据进行了案例研究。结果发现，在轮内电机驱动的自主电动汽车可以节省高达17.5%的能源相比，传统的电动汽车在斜坡行驶。利用某商用轮毂电机的效率图，研究得到的数值能量模型和验证结果符合实际情况，可用于支持未来更节能的自主电动汽车的可持续发展。
2021-04-10 cs.RO cs.SY eess.SY
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
Priority-based coordination of autonomous and legacy vehicles at intersection
本文提出一种基于优先级的协调方法，支持传统车辆安全通过交叉口，同时保持无碰撞和死锁特性。
2014-09-26 cs.RO cs.SY eess.SY
Enhanced Behavioral Cloning with Environmental Losses for Self-Driving Vehicles
Renault group（雷诺集团）
学习路径规划器由于其能够模拟人类驾驶行为和快速推理的能力而引起了研究兴趣。最近的行为克隆工作表明，简单的模仿专家的意见是不足以处理复杂的驾驶场景。此外，预测在可驾驶区域之外的土地可能导致潜在的危险情况。本文提出了一组损失函数，即社会损失和道路损失，这占建模风险的社会互动路径规划。这些损失就像一个排斥标量场，包围着不可驾驶的区域。落在这些区域附近的预测会导致更高的训练成本，这是使用反向传播最小化。这种方法为传统的监督学习设置提供了额外的环境反馈。我们在一个大规模的城市驾驶数据集上验证了这种方法。结果表明，智能体学习模仿人类驾驶，同时表现出更好的安全指标。此外，所提出的方法具有积极的影响，推理，而不需要人为地产生不安全的驾驶例子。的可扩展性研究表明，所获得的好处是与一个更高的相关性，在代理的决定相比，经典的行为克隆的非驾驶领域。
2022-02-04 cs.AI cs.RO
An Anomaly Behavior Analysis Framework for Securing Autonomous Vehicle Perception
The University of Arizona（亚利桑那大学）
本文提出融合基于物理的车辆行为模型与机器学习的异常行为分析框架，通过时序特征识别感知传感器攻击，并在真实测试床实验中验证有效性且发布首个相关数据集。
2024-04-04 cs.RO cs.SY eess.SY
Decision-Making Technology for Autonomous Vehicles Learning-Based Methods, Applications and Future Outlook
Delft University of Technology（代尔夫特理工大学）
自主车辆在民用和军事领域都有着巨大的应用潜力，随着科学和经济的快速发展，自主车辆已成为研究的热点。本文简要介绍了基于学习的自主车辆决策技术，因为它对自主车辆的安全和高效性能具有重要意义。首先，给出了决策技术的基本轮廓。其次，对基于学习的自主车辆决策方法的相关研究进行了综述，并与经典决策方法进行了比较。此外，总结了决策方法在现有自主车辆中的应用。最后，对自主车辆决策技术的未来研究方向进行了展望。
2021-07-02 cs.AI cs.RO
Behavioral Cloning Models Reality Check for Autonomous Driving
针对基于视觉的自动驾驶行为克隆系统缺乏真实世界验证的问题，本文用缩放研究车采集数据并在多赛道测试，证实前沿BC横向控制方法实时预测转向角误差低，具备实际应用潜力。
2024-09-11 cs.AI cs.CV cs.RO
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
Seeing What the Vehicle Sees: Video-Augmented Virtual Reality for Physical Autonomous Vehicles
Central Michigan University（中密歇根大学）
本文提出一种视频增强VR框架，将物理ROS 2机器人车辆与Unity 6应用耦合，在Meta Quest 3S头显上实时镜像运动并显示摄像头画面和导航决策，经20次试验验证，延迟29.63毫秒，路线误差2.28%，帧丢失0.25%，实现同步一致的沉浸式观察。
2026-09-15 cs.RO cs.SY eess.SY
Self Driving RC Car using Behavioral Cloning
K. J. Somaiya College Of Engineering（K. J. 索马亚工程学院）；Startup School India（印度创业学校）
自动驾驶汽车技术是一种在没有人类引导的情况下自我引导的车辆。第一辆真正的自动驾驶汽车出现在20世纪80年代，由DARPA（国防高级研究计划局）资助的项目。从那时起，随着计算机视觉和机器学习领域的进步，很多事情都发生了变化。我们已经使用行为克隆的概念，使用深度学习技术将普通的RC模型汽车转换为自动驾驶汽车
2019-10-10 cs.CV cs.RO cs.SY
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
Development of an Autonomous Reverse Engineering Capability for Controller Area Network Messages to Support Autonomous Control Retrofits
North Dakota State University（北达科他州立大学）
针对不同厂商CAN实现差异阻碍自动驾驶改装规模化的问题，提出通过同步记录IMU与CAN数据逆向识别车辆油门、制动踏板对应CAN通道的方法，经6辆车测试验证有效，可适配不同车辆通信标准，为售后自动驾驶套件开发提供支持。
2023-07-20 cs.OH cs.RO cs.SY
Reasoning Multi-Agent Behavioral Topology for Interactive Autonomous Driving
Nanyang Technological University（南洋理工大学）；Shanghai AI Lab（上海人工智能实验室）；University of Hong Kong（香港大学）
针对多智能体场景下行为表示低效导致预测与规划不稳定的问题，提出基于辫子理论的行为拓扑BeTop及协同学习框架BeTopNet，通过提炼交互拓扑先验提升行为一致性与不确定性管理，在nuPlan和WOMD等数据集上达到SOTA性能。
2024-09-26 cs.RO
Discovering Avoidable Planner Failures of Autonomous Vehicles using Counterfactual Analysis in Behaviorally Diverse Simulation
Preferred Networks, Inc.（Preferred Networks公司）；Preferred Networks America, Inc.（Preferred Networks美国公司）；Toyota Research Institute（丰田研究院）
自动驾驶汽车需要在模拟中进行详尽的测试，以便在部署到公共道路上之前检测尽可能多的安全关键故障。在这项工作中，我们专注于自主机器人的核心决策组成部分：他们的规划算法。我们引入了一个规划测试框架，利用最近的进展，在模拟行为上不同的交通参与者。使用大规模搜索，我们生成，检测和表征动态场景导致碰撞。特别是，我们提出的方法来区分不可避免的和可避免的事故，特别侧重于自动查找计划特定的缺陷，必须在部署前纠正。通过实验，在复杂的多智能体交叉口的情况下，我们表明，我们的方法确实可以找到广泛的关键规划失败。
2020-11-24 cs.LG cs.RO
Behavioral Safety Assessment towards Large-scale Deployment of Autonomous Vehicles, Part II: Assessment Results
University of Michigan Transportation Research Institute（密歇根大学交通研究所）；University of Michigan（密歇根大学）；The University of Hong Kong（香港大学）；Laplace Intelligence（拉普拉斯智能公司）；Tsinghua University（清华大学）
本研究通过第三方测试框架评估开源四级自动驾驶系统，发现其仅具备14项行为能力中的6项，事故率约为人类驾驶员的1000倍，凸显了行为安全评估在自动驾驶大规模部署前的重要性。
2026-10-14 cs.RO
Resilient Cooperative Adaptive Cruise Control for Autonomous Vehicles Using Machine Learning
University of Florida（佛罗里达大学）
协同自适应巡航控制（CACC）是一种基本的互联车辆应用，它通过利用车对车（V2V）通信来扩展自适应巡航控制。CACC是众多自动驾驶汽车功能的关键组成部分，包括队列行驶、分布式路线管理等。不幸的是，恶意V2V通信可能会破坏CACC，导致字符串不稳定和道路事故。在本文中，我们开发了一种新的弹性基础设施，RACCON，用于检测和减轻对CACC的V2V攻击。RACCON使用机器学习来开发车载预测模型，该模型可以捕获异常的车辆响应并实时的执行缓解。支持RACCON的车辆可以利用CACC的高效率，而不会影响安全性，即使在潜在的敌对场景下也是如此。我们提出了广泛的实验评估，以证明RACCON的疗效。
2021-03-18 cs.CR cs.RO cs.SY
SCAV'18: Report of the 2nd International Workshop on Safe Control of Autonomous Vehicles
University of York, UK（英国约克大学）；Technical University of Munich, Germany（德国慕尼黑技术大学）；University of Liverpool, UK（英国利兹大学）
本文总结了第二届SCAV研讨会的讨论、开放问题、关键信息和结论，探讨了自主车辆安全控制的核心挑战与未来方向。
2018-11-05 cs.RO cs.SE cs.SY
Towards Identifying and closing Gaps in Assurance of autonomous Road vehicleS -- a collection of Technical Notes Part 2
本报告介绍和概述了在“识别和缩小自动驾驶汽车保证差距”（Towards Identifying and Closing Gap in Assurance of Autonomous Road Vehicles，Tigars）项目中编制的技术专题说明（TTN）。这些说明旨在支持自动驾驶汽车的开发和评估。第1部分涉及：保证-概述和问题，弹性和安全要求，开放系统视角和ML系统的形式化验证和静态分析。本报告是第2部分，讨论：模拟和动态测试，深度和多样性防御，安全信息安全分析，标准和指南。
2020-02-28 cs.RO cs.SE cs.SY
Holistic Transformer: A Joint Neural Network for Trajectory Prediction and Decision-Making of Autonomous Vehicles
Jilin University（吉林大学）
轨迹预测和行为决策是自动驾驶汽车的两项重要任务，需要对环境背景有很好的理解;通过参考轨迹预测的输出，可以更好地做出行为决策。然而，大多数当前的解决方案分别执行这两个任务。因此，一个联合神经网络，结合多种线索，提出并命名为整体Transformer预测轨迹，并作出行为决策的同时。为了更好地挖掘线索之间的内在关系，该网络利用已有知识，采用了三种注意力机制：稀疏多头机制，用于降低噪声影响;特征选择稀疏机制，用于优化利用部分先验知识;与其他弹道预测模型相比，该模型具有更好的综合性能和良好的可解释性。感知噪声鲁棒性实验表明，该模型具有良好的噪声鲁棒性。因此，结合多个线索的同时轨迹预测和行为决策可以降低计算成本并增强场景和代理之间的语义关系。
2022-06-17 cs.AI cs.LG cs.RO
Don't Get Yourself into Trouble! Risk-aware Decision-Making for Autonomous Vehicles
The Pennsylvania State University（宾夕法尼亚州立大学）
风险传统上被描述为不期望结果的预期可能性，例如自动驾驶车辆的碰撞。准确预测风险或潜在风险情况对于自动驾驶汽车的安全运行至关重要。在我们以前的工作中，我们表明风险可以由两个组成部分来表征：1）不期望结果的概率和2）对结果（损失）的不期望程度的估计。本文是我们以前工作的一个扩展。在本文中，使用我们训练的深度强化学习模型在人群中导航，我们为自动驾驶汽车开发了一个基于风险的决策框架，该框架集成了基于风险的高级路径规划和基于强化学习的低级控制。我们评估了我们的方法在一个高保真度的模拟，如CARLA。这项工作可以提高安全性，让自动驾驶汽车有一天可以避免和应对危险情况。
2021-06-08 cs.AI cs.RO
Altruistic Maneuver Planning for Cooperative Autonomous Vehicles Using Multi-agent Advantage Actor-Critic
University of Central Florida（中佛罗里达大学）；Stanford University（斯坦福大学）；University of California, Santa Barbara（加州大学圣巴巴拉分校）
本文提出一种多智能体优势Actor-Critic算法，用于自动驾驶车辆在混合交通环境中的利他性动作规划，以提升交通效率与安全。
2021-07-12 cs.AI cs.RO
Interactive Decision Making for Autonomous Vehicles in Dense Traffic
Honda Research Institute USA（本田美国研究院）
密集的城市交通环境可能会产生准确的预测和动态模型不足以成功进行自动驾驶车辆运动规划的情况。我们调查如何一个自主智能体可以安全地与其他交通参与者进行谈判，使代理处理潜在的死锁。具体来说，我们考虑合并的地方，汽车之间的差距小于自我车辆的大小。我们提出了一个能够生成和响应交互行为的博弈论框架。我们的主要贡献是展示如何游戏树决策可以由自动驾驶汽车执行，包括近似和推理，使树搜索计算上容易处理。此外，为了测试我们的模型，我们开发了一个随机的基于规则的交通代理能够生成交互式的行为，可以作为一个基准，用于模拟交通参与者在拥挤的合并设置。
2019-09-27 cs.AI cs.RO
eCAV: An Edge-Assisted Evaluation Platform for Connected Autonomous Vehicles
Georgia Institute of Technology（佐治亚理工学院）
针对大规模网联自动驾驶车辆仿真评估的计算瓶颈，提出高效可扩展的边缘辅助评估平台eCAV，支持V2X算法功能验证与性能预测，可建模256辆车，规模达现有方案8倍。
2025-06-27 cs.MA cs.NI cs.RO
Evaluating the acceptance of autonomous vehicles in the future
Universidad Carlos III de Madrid（马德里卡洛斯三世大学）；Johannes Kepler University Linz（林茨约翰内斯·开普勒大学）
汽车工业的不断发展导致了更先进的驾驶员辅助系统的出现，这些系统能够实现某些任务的自动化，并且无疑旨在实现驾驶任务可以完全委托的车辆。所有这些进步都将带来汽车市场范式的变化，保险业也是如此。因此，CESVIMAP和马德里卡洛斯三世大学正在研究一种用于保险研究的自动测试平台（ATLAS），以研究这项技术，并获得有关未来车辆开发中每个代理人责任的第一手知识。这项工作收集了ATLAS所取得的部分进步，这些进步使人们有可能拥有一辆自动驾驶汽车，在真实环境中进行测试和演示，使车辆更接近未来的用户。作为这项工作的结果，并与林茨约翰内斯开普勒大学合作，研究了用户在乘坐ATLAS等全自动驾驶汽车旅行后对自动驾驶汽车的影响、接受程度和信心。这项研究发现，虽然大多数用户愿意使用自动驾驶汽车，但同样的用户也担心这种技术的使用。因此，了解这种担忧的原因可以帮助定义自动驾驶汽车的未来。
2023-01-26 cs.RO cs.SE cs.SY
Scalable Autonomous Vehicle Safety Validation through Dynamic Programming and Scene Decomposition
Stanford University（斯坦福大学）；NASA Ames Research Center（NASA艾姆斯研究中心）
自动驾驶中的一个悬而未决的问题是如何最好地使用模拟来验证自动驾驶汽车的安全性。现有技术依赖于模拟的推出，这对于发现罕见的故障事件可能是低效的，而其他技术被设计为仅发现单个故障。在这项工作中，我们提出了一种新的安全验证方法，试图估计分布超过故障的自治政策使用近似动态规划。这种分布的知识允许有效地发现许多失败的例子。为了解决问题的可扩展性，我们分解复杂的驾驶场景子问题，只包括自我车辆和其他车辆。这些子问题可以用近似动态规划来解决，并且它们的解被重新组合以近似完整场景的解。我们将我们的方法应用到一个简单的两辆车的情况下，以证明该技术，以及一个更复杂的五辆车的情况下，以证明可扩展性。在这两个实验中，我们观察到与基线方法相比，发现的失败数量有所增加。
2020-06-26 cs.LG cs.RO cs.SY
Towards Identifying and closing Gaps in Assurance of autonomous Road vehicleS -- a collection of Technical Notes Part 1
本报告介绍和概述了在“识别和缩小自动驾驶汽车保证差距”（Towards Identifying and Closing Gap in Assurance of Autonomous Road Vehicles，Tigars）项目中编制的技术专题说明（TTN）。这些说明旨在支持自动驾驶汽车的开发和评估。第1部分涉及：保证-概述和问题，弹性和安全要求，开放系统视角和ML系统的形式化验证和静态分析。第2部分：模拟和动态测试，深度和多样性防御，安全信息安全分析，标准和指南。
2020-02-28 cs.LG cs.RO cs.SE
DMAVA: Distributed Multi-Autonomous Vehicle Architecture Using Autoware
Faculty of Engineering（工程学院）；Applied Science（应用科学）；Ontario Tech University（安大略技术大学）
DMAVA是一种基于Autoware的分布式多自主车辆架构，通过集成ROS 2、Autoware Universe等工具，实现多车辆在分布式环境下的协同控制与一致行为。
2026-02-01 cs.AI cs.MA cs.RO
A Tutorial On Autonomous Vehicle Steering Controller Design, Simulation and Implementation
Toyota Technological Institute（丰田工业大学）
在本教程中，我们详细介绍了用于自动驾驶汽车的自动停车和路径跟踪的简单控制器，为曲率计算提供了实用的方法。
2021-07-13 cs.RO
UAV-based Intelligent Information Systems on Winter Road Safety for Autonomous Vehicles
University of Oulu（奥卢大学）
针对冬季恶劣天气下车道宽度受限易引发自动驾驶汽车事故的问题，本研究提出含道路分割与宽度估算模型的方法，从无人机和自动驾驶汽车双视角获取信息，以提升自动驾驶汽车冬季路况下的适应与决策能力。
2024-06-18 cs.AI cs.CV cs.RO
GSAVS: Gaussian Splatting-based Autonomous Vehicle Simulator
UC Santa Cruz（加州大学圣克鲁兹分校）
本文提出GSAVS自动驾驶模拟器，将3D高斯泼溅资产集成到经典3D引擎中，兼顾照片级真实感渲染与灵活定制，支持自动驾驶模型开发。
2024-12-25 cs.AI cs.LG 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
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
Autonomous Vehicle Benchmarking using Unbiased Metrics
University of California, San Diego（加州大学圣迭戈分校）
随着自动驾驶汽车技术的最新发展，人们积极努力在不同规模上部署这项技术，包括城市和公路驾驶。虽然展示的许多原型已被证明在特定情况下可以运行，但人们几乎没有努力更好地了解它们的缺点以及对新领域的可推广性。在自动驾驶期间执行的手动脱离的距离、距离和数量提供了关于自动驾驶系统性能的高层次概念，但如果没有适当的数据标准化、测试位置信息和参与测试的车辆数量，单独的脱离报告并不能完全涵盖系统性能和鲁棒性。因此，在这项研究中，一套完整的指标适用于基准自动驾驶汽车系统在各种情况下，可以扩展与人类驾驶员和其他自动驾驶汽车系统进行比较。这些指标已被用于在微交通和自动邮件递送应用的早期部署期间对加州大学圣地亚哥分校的自动驾驶汽车平台进行基准测试。
2020-09-11 cs.RO
Vehicle Top Tag Assisted Vehicle-Road Cooperative Localization For Autonomous Public Buses
Harbin Cambridge University（哈尔滨剑桥大学）
针对自动驾驶公交车在复杂交叉路口场景下的定位难题，提出车顶标签辅助车路协同定位方法，并给出标签检测与定位的具体解决方案，仿真验证了其有效性且具备广泛扩展潜力。
2025-08-08 cs.RO
Controlling an Autonomous Vehicle with Deep Reinforcement Learning
University of Bremen（不来梅大学）
提出了一种基于深度强化学习的自主车辆控制方法。一个神经网络代理被训练来映射其估计的状态，以加速和转向命令给定的目标，达到一个特定的目标状态，同时考虑检测到的障碍。使用最先进的近端策略优化结合模拟环境来执行学习。从头开始的训练需要五到九个小时。由此产生的代理在模拟和随后应用到控制一个全尺寸的研究车辆进行评估。为此，考虑了停车场的自主探索，包括转弯机动和避障。总而言之，这项工作是第一个成功将深度强化学习应用于真实车辆的例子。
2020-03-13 cs.AI cs.LG cs.RO
Behavioral Safety Assessment towards Large-scale Deployment of Autonomous Vehicles
University of Michigan（密歇根大学）；University of Michigan Transportation Research Institute（密歇根大学交通研究所）
提出面向自动驾驶汽车的行为安全评估范式及第三方框架，包含Driver Licensing Test和Driving Intelligence Test，验证表明Autoware.Universe碰撞率远高于人类驾驶员，凸显了部署前行为安全评估的必要性。
2025-05-30 cs.RO cs.SE
Decoupled Sampling Based Planning Method for Multiple Autonomous Vehicles
Linköping University（林雪平大学）
本文提出了一种基于采样的规划算法来控制自动驾驶车辆。提出了一种改进的快速搜索随机树，其中包括K-最近点的定义，并提出了一个两阶段的采样策略来调整RRT在其他执行机动，同时避免碰撞。仿真结果表明了该算法的成功性。
2017-02-11 cs.RO
JKU-ITS Automobile for Research on Autonomous Vehicles
Johannes Kepler University Linz（林茨约翰内斯·开普勒大学）；UAS Technikum Wien（维也纳技术应用科学大学）
在本文中，我们提出了我们的自动驾驶研究的全新平台。所选择的车辆是丰田的RAV4混合动力SUV，配备有外感受传感器，如多层激光雷达，单目摄像头，雷达和GPS;以及本体感受传感器，如编码器和9-DOF IMU。这些传感器通过在Linux 20.04下运行ROS 1的主计算机集成在车辆中。此外，我们安装了一个名为Comma Two的开源ADAS，它运行Openpilot来控制车辆。该平台目前正用于自动驾驶汽车、人与自动驾驶汽车交互、人为因素和能源消耗等领域的研究。
2023-01-16 cs.RO
MultiNet: Multi-Modal Multi-Task Learning for Autonomous Driving
Westview High School（韦斯特维尤高中）；Berkeley DeepDrive Center（伯克利深度驾驶中心）
自动驾驶需要在不同的行为模式下操作，从车道跟随和交叉路口到转弯和停车。然而，大多数现有的自动驾驶深度学习方法在训练策略中没有考虑行为模式。本文描述了一种通过使用多模态多任务学习在单个深度神经网络中学习多个不同行为模式的技术。我们研究了这种方法的有效性，表示为MultiNet，使用自动驾驶模型汽车在非结构化环境中驾驶，如人行道和未铺设的道路。使用来自驾驶我们的1/10比例模型车队超过100小时的标记数据，我们训练了不同的神经网络来预测车辆在不同行为模式下的转向角和驾驶速度。我们表明，在每种情况下，MultiNet网络都优于在单个模式上训练的网络，同时使用参数总数的一小部分。
2019-01-14 cs.LG cs.RO
Receive, Reason, and React: Drive as You Say with Large Language Models in Autonomous Vehicles
Purdue University（普渡大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Virginia（弗吉尼亚大学）
本文提出利用大型语言模型（LLMs）增强自动驾驶决策的框架，通过思维链提示和口头反馈实现个性化驾驶，实验证明其提升决策质量并支持透明、自适应的自动驾驶系统。
2023-10-12 cs.AI cs.HC cs.RO
Simulating Crowds and Autonomous Vehicles
University of Sheffield（谢菲尔德大学）
了解人们如何看待自动驾驶汽车并与之互动，对于指导未来的研究方向非常重要。其中一种帮助理解的方法是通过模拟涉及人和自动驾驶车辆的虚拟环境。我们提出了一个模拟模型，将人和自动驾驶汽车在一个共享的城市空间。该模型能够实时模拟数千人和车辆。这是通过使用GPU硬件，并通过一个新的线性规划求解器优化的GPU上的大量问题。该模型比同等的多核CPU模型快30倍。
2020-08-25 cs.RO
Adaptive Game-Theoretic Decision Making for Autonomous Vehicle Control at Roundabouts
University of Michigan（密歇根大学）；Bilkent University（比尔肯特大学）
在本文中，我们提出了一个决策算法的自主车辆控制在环形交叉口。该算法是基于一个博弈论模型表示的自我车辆和对手车辆之间的相互作用，并适应于在线估计的对手车辆的驾驶员类型。模拟结果的报告。
2018-10-01 cs.GT cs.LG cs.RO
Formally Modeling Autonomous Vehicles in LNT for Simulation and Testing
University of Toronto（多伦多大学）；Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔理工学院）
我们提出了两个行为模型的自动驾驶汽车及其与环境的相互作用。这两个模型都使用CADP工具箱提供的形式化建模语言LNT。本文讨论了我们的自动驾驶汽车模型的建模选择和挑战，并说明了如何将正式验证工具应用于单个组件或整体车辆。
2022-03-18 cs.LO cs.RO
"Curse of rarity" for autonomous vehicles
University of Michigan（密歇根大学）；University of Michigan Transportation Research Institute（密歇根大学交通研究所）；Mcity
在本文中，我们揭示了高维驾驶环境中安全关键事件的罕见性是自动驾驶汽车开发安全挑战的根本原因。我们将其表述为“稀有诅咒”（CoR），因为它普遍存在于各种安全关键系统中，如医疗诊断和航空航天系统。
2022-09-26 cs.RO
A Tutorial on Sim-ATAV: Simulation-based Adversarial Testing Framework for Autonomous Vehicles
Arizona State University（亚利桑那州立大学）
在模拟环境中测试自动驾驶汽车至关重要。Sim-ATAV是一个开源框架，用于在仿真环境中试验不同的测试生成技术以供研究。本文档提供了一个Sim-ATAV的教程，并提供了一个运行示例。
2019-03-26 cs.RO
LiDAR-Based Vehicle Detection and Tracking for Autonomous Racing
Politecnico di Milano（米兰理工大学）
本文提出一种基于LiDAR的车辆检测与跟踪流程，包括快速点云分割、车辆姿态估计和变步长多目标跟踪，应用于自动驾驶赛车，实现在超过275公里/小时速度下的自主超车。
2025-01-24 cs.CV cs.RO
Dolphin: a task orchestration language for autonomous vehicle networks
Faculdade de Engenharia da Universidade do Porto（波尔图大学工程学院）；CRACS/INESC-TEC；Faculdade de Ciências da Universidade do Porto（波尔图大学理学院）
我们提出了海豚，可扩展的程序设计语言的自动驾驶汽车网络。Dolphin程序表达了为多个车辆组成定义的任务的协调执行。基于基本的单车辆任务的基本情况，内置的操作符包括支持以多种形式组成任务，例如根据并发，顺序或基于事件的任务流。该语言被实现为Groovy DSL，便于扩展和与外部软件包集成，特别是机器人工具包。本文描述了Dolphin语言，其与自动驾驶车辆的开源工具链的集成，以及使用无人水下航行器（UUV）和无人机（UAV）进行现场测试的结果。
2018-07-26 cs.RO
Autonomous Vehicles on the Edge: A Survey on Autonomous Vehicle Racing
University of Pennsylvania（宾夕法尼亚大学）；ETH Zurich（苏黎世联邦理工学院）；California Institute of Technology（加州理工学院）；Technical University of Munich（慕尼黑工业大学）；University of Virginia（弗吉尼亚大学）；Clemson University（克莱姆森大学）
近年来，自动驾驶汽车的日益普及导致了一个新的研究领域的出现：自动驾驶赛车。研究人员正在为高性能赛车开发软件和硬件，这些赛车旨在在车辆极限的边缘自动运行：高速，高加速度，低反应时间，高度不确定，动态和对抗性环境。本文代表了第一个全面的调查，涵盖了在自动驾驶赛车领域的研究。我们只专注于自动驾驶赛车领域，并展示用于感知，规划和控制以及端到端学习领域的算法，方法和途径。此外，随着越来越多的自主赛车比赛，研究人员现在可以使用一系列高性能平台来测试和评估他们的自主算法。该调查全面概述了当前的自动驾驶赛车平台，强调软件-硬件共同进化到当前阶段。最后，基于与该领域领先研究人员的额外讨论，我们总结了开放研究的挑战，这将指导未来的研究人员在这一领域。
2022-02-14 cs.RO cs.SE
Transfer Learning and Organic Computing for Autonomous Vehicles
University of Passau（帕绍大学）
自动驾驶汽车（AV）是未来最光明的前景之一，它将有助于减少死亡人数，改善旅行时间，同时协调工作。自动驾驶汽车将面临前所未有的挑战和体验。这些经验应该转化为知识，帮助车辆在未来做好更好的准备。在线迁移学习将有助于将先前的知识转移到新的任务中，并随着任务的发展保持知识的更新。本文介绍了适用于自动驾驶汽车领域的迁移学习、在线迁移学习和有机计算的不同方法。
2018-08-16 cs.LG cs.RO stat.ML
On Designing Computing Systems for Autonomous Vehicles: a PerceptIn Case Study
PerceptIn Inc.（PerceptIn公司）；South China University of Technology（华南理工大学）
PerceptIn在全球范围内开发和商业化用于微型移动的自动驾驶汽车。本文对PerceptIn的开发和运营经验进行了全面的总结。本文提供了我们产品背后的商业故事，并介绍了我们的车辆计算系统的发展。我们说明了计算系统的设计决策，并显示本地化工作负载卸载到FPGA平台上的优势。
2020-11-12 cs.RO
INTERNEURON: A Middleware with Multi-Network Communication Reliability for Infrastructure Vehicle Cooperative Autonomous Driving
Institute of Computing Technology, CAS（中国科学院计算技术研究所）；University of Delaware（特拉华大学）；University of Chinese Academy of Sciences（中国科学院大学）
结构-车辆协同自动驾驶（IVCAD）是一种新的自动驾驶模式，它依赖于智能道路和自动驾驶车辆之间的协作。与仅车载自动驾驶模式相比，这种模式已被证明更安全，更高效。我们的实际部署数据表明，IVCAD的有效性受到商业通信网络的可靠性和性能的限制。本文正是针对这一问题，并提出了INTERNEURON，一个中间件，以实现智能道路和自动驾驶汽车之间的高通信可靠性，在IVCAD的背景下。具体而言，INTERNEURON根据不同的通信性能和质量需求，动态匹配IVCAD应用程序和底层通信技术。评估结果证实，INTERNEURON减少了超过95%的最后期限违规，显着提高了IVCAD系统的可靠性。
2022-10-28 cs.PL cs.RO
Adversarial Evaluation of Autonomous Vehicles in Lane-Change Scenarios
Tsinghua University（清华大学）；Anhui Jianghuai Automobile Co Ltd（安徽江淮汽车集团股份有限公司）
在城市和高速公路上部署自动驾驶汽车之前，必须对其进行全面评估。然而，大多数现有的自动驾驶汽车的评估方法是静态的，缺乏适应性，所以他们通常是低效的，在生成具有挑战性的场景测试车辆。在本文中，我们提出了一个自适应评估框架，以有效地评估深度强化学习生成的对抗性环境中的自动驾驶汽车。考虑到危险场景的多模态性质，我们使用集成模型来表示不同的局部最优值的多样性。然后，我们利用非参数贝叶斯方法对对抗策略进行聚类。所提出的方法是在一个典型的换道场景，涉及频繁的自我车辆和周围的车辆之间的相互作用进行验证。结果表明，我们的方法产生的对抗性场景显着降低测试车辆的性能。我们还说明了生成的对抗性环境的不同模式，这些模式可用于推断测试车辆的弱点。
2020-11-23 cs.LG cs.RO stat.ML
