Fuzzy Logic based Autonomous Parking Systems -- Part III: A Fuzzy Decision Tree System
针对智能自动泊车系统（IAPS）中的车速和转向角控制问题，提出了一种鲁棒的混合模糊控制器设计方法。混合模糊控制器由基本模糊控制器（BFC）和监督模糊决策树控制器（SFDTC）组成。BFC的发展从以前的工作模糊逻辑控制无人停车，它确保了最佳的停车轨迹，以最小的计算成本。SFDTC进一步提高了系统在工作环境中存在噪声时的鲁棒性。SFDTC的设计结合了决策树理论和模糊推理机制。还制定了数据训练过程，以实现更好的控制性能。因此，IAPS配备了新的混合模糊控制器与模糊决策树（HFC-FDT）展示了最佳性能，收敛速度更快，最小的偏离最佳停车轨迹。本文给出了监督型模糊决策树控制器的详细设计，并通过MATLAB仿真实验验证了新设计的优越性。
2019-12-16 cs.SY eess.SY
A Planning-free Longitudinal Controller Design for Vehicles in Dynamic Traffic Environments
本文研究了动态交通环境中的纵向控制问题，其中驾驶场景在自由驾驶场景和跟驰场景之间变化。提出了一种不依赖于规划算法的综合纵向控制器，以保证在场景变化时具有合理的瞬态响应和稳态响应。该设计考虑了乘客舒适性、安全性和扰动抑制，并试图满足自动车辆行业对更低成本、更快响应、更高舒适性、更高安全性和更高可扩展性的要求。详细提供了设计见解和直觉。进行了全面的仿真，以证明所提出的控制器在不同的驾驶场景的有效性。
2022-06-25 cs.SY eess.SY
Driver Friendly Headlight Controller for Driving in Developing Countries
DA-IICT（信息与管理学院）；IET, Gandhinagar, India（印度甘地讷格尔电子与电信工程师学会）；Ahmedabad University, India（印度艾哈迈达巴德大学）
本文提出了一种低成本自动车灯控制系统，旨在通过模糊推理系统减少夜间高速驾驶中的眩光影响，提升行车安全。
2015-09-15 cs.SY eess.SY
A GPU Implementation of a Look-Ahead Optimal Controller for Eco-Driving Based on Dynamic Programming
互联和自动驾驶汽车（CAV）的预测性能源管理，特别是具有多个电源的汽车，有可能显著提高现实驾驶条件下的能源节约。特别地，生态驾驶问题寻求基于来自连接性和高级映射特征的可用信息来设计最佳速度和功率使用曲线，以最小化两个指定位置之间的燃料消耗。在这项工作中，生态驾驶问题制定为一个三状态滚动时域最优控制问题，并通过动态规划（DP）解决。在车辆速度和电池充电状态（SoC）轨迹方面的最佳解决方案允许连接和自动化的混合动力电动车辆智能地通过信号交叉口，并在规定的路线上最大限度地减少燃料消耗。为了实现实时实现，提出了一种并行架构的DP与CUDA编程的NVIDIA GPU。仿真结果表明，所提出的最优控制器提供了超过15%的燃油经济性的好处相比，基线控制策略和求解器的时间可以减少90%以上的并行实施相比，串行实施。
2021-04-03 cs.SY eess.SY
Model- and Acceleration-based Pursuit Controller for High-Performance Autonomous Racing
ETH Zurich（苏黎世联邦理工学院）；Center for Project Based Learning（项目式学习中心）
本文提出MAP控制器，在保留几何方法简洁性的同时引入模型与轮胎动力学，实现高速自动驾驶赛车轨迹跟踪，实验表明横向误差比现有几何控制器降低四倍。
2023-07-07 cs.RO cs.SY eess.SY
Residual Policy Learning for Vehicle Control of Autonomous Racing Cars
Technical University of Munich（慕尼黑工业大学）
本文提出一种用于自动驾驶赛车的残差车辆控制器，通过残差策略学习修正经典路径跟随控制器，在F1TENTH仿真环境及十二条真实赛道评估中平均将单圈时间缩短4.55%，并能在未知赛道上获得提升。
2023-05-31 cs.LG cs.RO cs.SY
Logic-based Knowledge Awareness for Autonomous Agents in Continuous Spaces
本文提出一种基于知识感知的自主智能体形式化控制器设计方法，通过构建可转化为时间规约的知识库并结合ABCD方法动态更新控制器，以在连续空间中满足任务目标与知识规约。
2024-11-13 cs.SY eess.SY
Optimal Controller Realizations against False Data Injections in Cooperative Driving
本文针对协同驾驶中的FDI攻击，提出通过可逆控制器状态坐标变换生成等价实现，并结合可达性分析与线性矩阵不等式优化传感器组合，从而在不依赖攻击检测、不改变闭环性能的前提下提升鲁棒性。
2024-10-28 cs.CR cs.SY eess.SY
Fast Zonotope-Tube-based LPV-MPC for Autonomous Vehicles
在本文中，我们提出了一个有效的在线管为基础的模型预测控制（T-MPC）解决方案的自动驾驶，旨在提高计算负荷，同时确保鲁棒稳定性和性能在快速和干扰的情况下。通过将非线性车辆方程转化为线性变参数（LPV）形式，将非线性原问题转化为伪线性问题。提出了一种由标称控制器和校正局部控制器组成的控制方案。首先，局部控制器被设计为能够抑制外部干扰的多面体LPV-H $_{\infty}$控制器。此外，有限数量的精确可达集，也称为管，计算在线使用zonotopes考虑到系统的动态，本地控制器和diturbance不确定性的界限。其次，名义控制器被设计为MPC，其中LPV车辆模型用于加快计算时间，同时保持准确的车辆表示。该模型采用带拓扑的可达性理论，在线改变状态和输入约束，保证了模型在外生扰动下的鲁棒可行性和稳定性。最后，我们测试了所提出的方案，并将局部控制器性能与最先进的LQR设计进行了比较。我们证明了它的有效性，在一个受干扰的快速驾驶的情况下，能够拒绝强烈的外源性干扰，并以非常低的计算成本实现强加的约束。
2020-09-04 cs.SY eess.SY
Self-Healing Hybrid Control as a Proxy for Detection and Mitigation of Sensor Attacks in Cooperative Driving
Eindhoven University of Technology（埃因霍温理工大学）；Singapore University of Technology and Design（新加坡科技设计大学）
本文提出了一种实时混合控制器方案，通过传感器冗余和多数投票机制实时检测并缓解协同驾驶中的传感器攻击，仿真结果验证了其有效性。
2026-09-01 cs.SY eess.SY
Verification of Autonomous Systems with Optimal Controllers
Rensselaer Polytechnic Institute（伦斯勒理工学院）
本文研究最优控制器控制系统的可达性分析，以验证系统安全性和正确性。通过将梯度下降算法视为独立的动力学系统，设计可达性算法，评估方法在二维四旋翼和摆杆系统中的可行性。
2026-04-17 cs.SY eess.SY
Effects of Controller Heterogeneity on Autonomous Vehicle Traffic
University of Cambridge（剑桥大学）
道路使用者之间的互动既高度非线性又非常复杂，没有理由期望自动驾驶汽车之间的互动会有任何不同。鉴于自动驾驶汽车技术最近的快速发展，我们需要了解这些相互作用可能如何呈现，以及它们的影响可能是什么。本文研究了具有不同控制器的自动驾驶汽车的影响，特别关注改变控制器参数的均值和异质性对三个关键性能指标的影响：吞吐量，乘客安全性和舒适性。为此，我们开发了一种方法，系统地采样车辆控制器作为参数异质性的函数。除了评估异质性对性能的影响，我们量化的相对影响控制器输入参数的输出性能指标的灵敏度分析。MovSim交通模拟器用于模拟真实的交通系统，同时记录最大吞吐量，以及车道变换频率和平均绝对加速度作为安全性和舒适性的代理。我们的研究结果表明，交通性能主要是由车辆目标速度的异质性，以及由一个非常小的子集的参数，其中的目标速度是迄今为止最显着的平均值的影响。
2020-05-11 cs.RO cs.SY eess.SY
Proportional integral derivative controller assisted reinforcement learning for path following by autonomous underwater vehicles
Norwegian University of Science and Technology（挪威科技大学）；SINTEF Digital（挪威科技工业研究院数字部门）；Oklahoma State University（俄克拉荷马州立大学）
控制理论为工程师提供了大量的工具来设计控制器，以操纵动力系统的闭环行为和稳定性。这些方法在很大程度上依赖于对控制物理系统的数学模型的理解。然而，如果一个系统是高度复杂的，它可能是不可行的，以产生一个可靠的数学模型的系统。如果没有模型，大多数开发控制律的理论工具都会失效。在这些环境中，机器学习控制器变得很有吸引力：控制器可以学习和适应复杂系统，开发工程师无法开发的控制律。本文重点介绍在实际应用中利用机器学习控制器，特别是在六自由度自主水下航行器的运动控制系统中使用深度强化学习。考虑两种方法：端到端学习，其中车辆完全独自探索其搜索最优策略的解决方案空间，以及PID辅助学习，其中DRL控制器基本上被分成三个独立的部分，每个部分控制其自己的执行器。
2020-09-22 cs.RO cs.SY eess.SY
Development of Autonomous Quadcopter
School of Engineering（工程学院）
这项工作的主要目标是通过两个主要方面证明。第一个是设计一个自适应神经模糊推理系统（ANFIS）控制器，以开发的四轴飞行器的姿态和高度。二是以简单明了的方式建立四轴飞行器的线性化数学模型。为了显示ANFIS方法的有效性，一个训练有素的ANFIS控制器的性能进行比较，一个经典的比例微分（PD）控制器和适当调整的模糊逻辑控制器。
2020-12-07 cs.RO cs.SY eess.SY
A Vehicle-in-the-Loop Simulator with AI-Powered Digital Twins for Testing Automated Driving Controllers
Department of Electrical Engineering, Eindhoven University of Technology（电子工程系，埃因霍温理工大学）；Siemens Digital Industries Software（西门子数字工业软件）；Department of Mechanical Engineering, Eindhoven University of Technology（机械工程系，埃因霍温理工大学）
本文提出一种结合缩比实体车辆与AI驱动数字孪生体的车辆在环仿真器，以低成本、高保真且易扩展的方式验证自动驾驶控制器，并通过带形式化安全保证的滤波控制基准和实验证明了其有效性。
2025-07-03 cs.RO cs.SY eess.SY
Control Barrier Function Based UAV Safety Controller in Autonomous Airborne Tracking and Following Systems
Virginia Tech（弗吉尼亚理工大学）；University of Kentucky（肯塔基大学）；University of Louisville（路易斯维尔大学）
针对无人机空中跟踪非合作目标时的碰撞风险，提出基于控制屏障函数的二次规划安全控制器，最小化修改轨迹跟踪输入以保证安全，并在AirSim模拟中验证了有效性。
2023-12-28 cs.RO cs.SY eess.SY
Robust EMRAN-aided Coupled Controller for Autonomous Vehicles
Indian Institute of Science（印度科学学院）；WIRIN Lab（WIRIN实验室）
针对具有模型不确定性和未知外部干扰的自主车辆，提出了一种耦合的神经网络辅助纵向巡航和横向路径跟踪控制器。使用反馈误差学习机制，逆车辆动力学学习方案，利用自适应径向基函数（RBF）神经网络，称为扩展的最小资源分配网络（EMRAN）。EMRAN使用扩展的卡尔曼滤波器进行在线学习和权重更新，并且还采用了增长/修剪策略来保持紧凑的网络，以便于实时实现。在线学习算法处理参数的不确定性，消除未知干扰的影响。结合自我调节学习计划，以提高泛化性能，建议EMRAN辅助控制体系结构的艾滋病的基本PID巡航和斯坦利路径跟踪控制器的耦合形式。其性能和鲁棒性的各种干扰和不确定性进行了比较，与传统的PID和斯坦利控制器，以及比较与基于模糊的PID控制器和主动扰动抑制控制（ADRC）计划。模拟结果为慢速和高速的情况下。均方根（RMS）和最大跟踪误差清楚地表明所提出的控制方案在未知环境下的自主车辆实现更好的跟踪性能的有效性。
2022-01-09 cs.RO cs.SY eess.SY
The Black-Box Simplex Architecture for Runtime Assurance of Autonomous CPS
Simplex架构是一种运行时保证框架，其中控制权限可以从未经验证且可能不安全的高级控制器切换到备份基线控制器，以便维护自主网络物理系统的安全性。在这项工作中，我们表明，运行时检查可以取代静态验证基线控制器的安全性的要求。这一点很重要，因为有许多强大的控制技术，如模型预测控制和神经网络控制器，在实践中工作良好，但难以静态验证。由于该方法不使用关于高级或基线控制器的内部信息，我们将该方法称为黑盒单纯形架构。我们证明了该体系结构是安全的，并提出了两个案例研究，其中（一）模型预测控制提供安全的多机器人协调，（二）神经网络可证明防止碰撞的F-16飞机组，尽管控制器偶尔输出不安全的命令。
2022-05-31 cs.SE 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
Feature Analysis and Selection for Training an End-to-End Autonomous Vehicle Controller Using the Deep Learning Approach
Jilin University（吉林大学）
本文通过分析CNN训练中不同特征对控制器性能的影响，提出特征选择方法以降低计算成本。实验表明，道路相关特征不可或缺，路边相关特征能提升控制器泛化能力，而天空相关特征贡献有限。
2017-03-28 cs.CV cs.SY eess.SY
Tuning Path Tracking Controllers for Autonomous Cars Using Reinforcement Learning
Instituto Superior Tecnico, University of Lisbon（里斯本大学高等技术学院）；Institute for Systems and Robotics（系统与机器人研究所）
提出了一种基于强化学习的自适应路径跟踪控制系统。四参数控制器塑造车辆的行为，以在车道变换和绕行时导航。跟踪器的调整使用受过教育的Q学习算法来最小化横向和转向轨迹误差。CARLA模拟环境用于培训和测试。结果表明，车辆能够适应不同类型的参考轨迹，安全导航，跟踪误差低。在CARLA和跟踪器之间使用ROS桥导致（i）在现实系统中，以及（ii）简化了用真实车辆替换CARLA。基于非光滑系统的稳定性结果的整体架构的可靠性的论点，提出在文件的最后。
2023-01-09 cs.AI cs.SY eess.SY
Energy-Efficient Autonomous Driving Using Cognitive Driver Behavioral Models and Reinforcement Learning
University of Michigan（密歇根大学）
预计自动驾驶技术不仅可以提高机动性和道路安全性，还可以带来能源效率方面的好处。在可预见的未来，自动驾驶汽车（AV）将在与人类驾驶汽车共享的道路上运行。为了保持安全性和活力，同时最大限度地减少能源消耗，自动驾驶规划和决策过程应该考虑到自主自我车辆与周围人类驾驶车辆之间的相互作用。在本章中，我们描述了一个框架，通过利用基于认知层次理论和强化学习的人类驾驶员行为建模，在共享道路上开发节能自动驾驶政策。
2021-11-27 cs.RO cs.SY eess.SY
Federated Learning on the Road: Autonomous Controller Design for Connected and Autonomous Vehicles
Virginia Tech（弗吉尼亚理工大学）；Princeton University（普林斯顿大学）；Shenzhen Research Institute of Big Data（深圳大数据研究院）；Future Network of Intelligence Institute（未来网络智能研究院）；Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；University of Oulu（奥卢大学）
提出了一种基于大规模无线连接的联合学习框架，用于设计互联自主车辆（CAV）的自主控制器。在该框架中，控制器使用的学习模型在一组CAV之间协同训练。为了捕捉不同的CAV参与FL训练过程和不同的本地数据质量之间的CAV，提出了一种新的动态联邦邻近（DFP）算法，占CAV的移动性，无线衰落信道，以及不平衡的和非独立的和相同分布的数据在CAV。一个严格的收敛性分析所提出的算法，以确定如何快速的CAV收敛到使用最优的自主控制器。特别是，不同的CAV参与FL过程和不同的CAV数据质量的影响，所提出的DFP算法的收敛性进行了明确的分析。在此基础上，设计了一种基于契约理论的激励机制来提高FL收敛速度。仿真结果表明，基于DFP的控制器能够在不同的交通场景下准确地跟踪目标CAV的速度。此外，结果表明，所提出的DFP算法具有更快的收敛速度相比，流行的FL算法，如联邦平均（FedAvg）和联邦近端（FedProx）。实验结果也验证了契约激励机制的可行性，与基线相比，该激励机制可以使DFP算法的收敛速度提高40%。
2022-06-16 cs.AI cs.LG cs.SY
Learning a Stable, Safe, Distributed Feedback Controller for a Heterogeneous Platoon of Autonomous Vehicles
Northeastern University（东北大学）
本文提出一种基于神经网络稳定性证书的算法，用于学习异构自动驾驶车辆队列的稳定、安全、分布式控制器，并通过四辆F1Tenth硬件实验和100辆车仿真验证其优于线性反馈与分布式模型预测控制器。
2024-10-17 cs.AI cs.LG cs.MA
Neural Network Controller for Autonomous Pile Loading Revised
Tampere University（坦佩雷大学）；Aalto University（阿尔托大学）；Technische Universität Darmstadt（达姆施塔特工业大学）；Cargotec Oyj（卡哥特科公司）
我们最近提出了两个桩加载控制器，从人类示范学习：一个神经网络（NNet）[1]和一个随机森林（RF）控制器[2]。在现场实验中，射频控制器获得了明显更好的成功率。在这项工作中，以前的研究结果进行了大幅修订，在冬季条件下进行夏季训练的控制器。冬季实验表明，需要额外的传感器，更多的训练数据，以及一个控制器，可以利用这些。因此，我们提出了一种修正的神经控制器（NNetV2），它具有更有表现力的结构，并使用神经注意力机制集中在传感器和控制信号的重要部分。使用相同的数据和传感器来训练和测试三个控制器，NNetV2实现了对急剧变化的条件和卓越的成功率更好的鲁棒性。据我们所知，这是第一次在剧烈变化的室外条件下测试重型机器的基于学习的控制器，并在冬季提供高成功率，在夏季进行培训。
2021-03-23 cs.LG cs.RO cs.SY
Autonomous Docking Method via Non-linear Model Predictive Control
Research Center for Smart Mechatronics National Research and Innovation Agency（国家研究与创新署智能机电研究中心）；Research Center for Telecommunication National Research and Innovation Agency（国家研究与创新署电信研究中心）
本文提出一种基于非线性模型预测控制（NMPC）的视觉伺服方法，用于单座个人移动车辆的自主对接任务，并在四轮电动轮椅上通过仿真实验验证了其在不同场景下生成实时轨迹的有效性。
2023-12-27 cs.RO cs.SY eess.SY
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
EMATO: Energy-Model-Aware Trajectory Optimization for Autonomous Driving
University of Delaware（特拉华大学）；CAR Lab（CAR实验室）
针对自动驾驶轨迹规划不感知能量模型、缺乏能效证明的问题，提出EMATO在线非线性规划方法，结合交通轨迹与坡度预测优化Frenet多项式轨迹，经多类实验在轿车和卡车模型上验证了能效提升效果。
2024-12-12 cs.RO cs.SY eess.SY
DL-AMP and DBTO: An Automatic Merge Planning and Trajectory Optimization and Its Application in Autonomous Driving
Shanghai Automotive Industry Corporation, Ltd.（上海汽车工业股份有限公司）
提出了一种自动合并算法，该算法将自动驾驶车辆的运动规划问题分解为双层自动合并规划（DL_AMP）和基于下降的轨迹优化（DBTO）。这项工作在寻找最佳合并机会，横向和纵向合并规划和控制，轨迹后处理和驾驶舒适性方面有很大的改进。
2021-07-30 cs.RO cs.SY eess.SY
Enhancing Autonomous Vehicle Navigation with a Clothoid-Based Lateral Controller
本研究提出结合自适应预瞄机制的Clothoid横向控制器，通过准反馈算法与超前滤波器提升自动驾驶车辆路径跟踪精度与稳定性，经TruckSim-Simulink联合仿真验证性能显著改善。
2026-08-11 cs.RO cs.SY eess.SY
Formal Synthesis of Controllers for Safety-Critical Autonomous Systems: Developments and Challenges
Shanghai Jiao Tong University（上海交通大学）；Tongji University（同济大学）；Xiamen University（厦门大学）
本文系统综述了安全关键自主系统的形式化控制器综合技术，涵盖不同系统模型、安全规范、抽象与无抽象方法、数据驱动方法及多智能体系统可扩展性挑战，并展望了未来研究方向。
2024-02-20 cs.RO cs.SY eess.SY
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
Reinforcement Learning Compensated Model Predictive Control for Off-road Driving on Unknown Deformable Terrain
Department of Automotive Engineering, Clemson University（汽车工程系，克莱姆森大学）；Ground Vehicle Systems Center, U.S. Army Combat Capabilities Development Command（地面车辆系统中心，美国陆军作战能力发展指挥部）
本文提出了一种结合深度强化学习和模型预测控制的AC2MPC控制器，用于未知变形地形的高速越野驾驶，通过减少训练数据和提高泛化能力，实现了更高效和安全的控制性能。
2026-01-22 cs.RO cs.SY eess.SY
Towards Deductive Verification of Control Algorithms for Autonomous Marine Vehicles
针对自主海洋航行器混合系统特性导致控制算法形式化安全验证困难的问题，提出结合GNU/Octave数值计算与Isabelle证明助手的验证方法，可验证多模式切换控制器的微分不变量。
2020-06-16 cs.SE cs.SY eess.SY
A Comprehensive Eco-Driving Strategy for Connected and Autonomous Vehicles (CAVs) with Microscopic Traffic Simulation Testing Evaluation
本文提出了一种综合的CAV生态驾驶策略。在这种设置中，多种驾驶模式同时计算出适合各自约束条件的速度曲线，以尽可能节省燃油，而高级（HL）控制器则确保在环保驾驶的驾驶模式之间平稳过渡。这种生态驾驶确定性控制器的自我CAV配备了车辆到基础设施（V2I）和车辆到车辆（V2V）的算法。仿真结果表明，HL控制器确保显着的燃油经济性改善相比，基线驾驶模式，自我CAV和交通车辆之间没有碰撞，而自我CAV的驾驶模式下，不断变化的约束条件下正确设置。
2022-06-16 cs.MA cs.NA cs.SY
Towards Agrobots: Trajectory Control of an Autonomous Tractor Using Type-2 Fuzzy Logic Controllers
University of Leuven (KU Leuven)（鲁汶大学）；Bogazici University（博阿齐奇大学）
为农用车辆提供一些自主功能将减轻操作员的工作，但在这样做时，不应损失准确性以仍然获得最佳产量。农用车辆的自主导航涉及不同动态子系统的控制，例如偏航角动态和纵向速度动态。在这项研究中，比例积分微分控制器被用来控制拖拉机的纵向速度。对于偏航角动态的控制，比例微分控制器与2型模糊神经网络并行工作。在这样的安排中，前者确保相关子系统的稳定性，而后者学习系统动态并成为主导控制器。通过这种方式，而不是建模的子系统之间的相互作用之前，基于模型的控制的设计，我们开发了一种控制算法，学习的相互作用在线测量的反馈误差。除了所述子系统的控制之外，还需要运动控制器来校正用于拖拉机的轨迹跟踪问题的x轴和y轴上的误差。为了证明所提出的控制方案的实时能力，自主拖拉机配备了价格合理的传感器和执行器的使用。实验结果表明了该学习算法的有效性和效率。
2021-04-09 cs.AI cs.LG cs.RO
Scalable and Interpretable Verification of Image-based Neural Network Controllers for Autonomous Vehicles
Clemson University（克莱姆森大学）
针对自动驾驶基于图像的神经网络控制器面临高维输入、计算低效和黑盒不可解释问题，提出SEVIN框架，利用VAE潜空间与凸多面体实现可扩展、可解释的形式化和鲁棒性验证。
2025-03-17 cs.AI cs.LG cs.SY
Optimization-Based Hierarchical Motion Planning for Autonomous Racing
ETH Zurich（苏黎世联邦理工学院）
在本文中，我们提出了一个分层控制器的自主赛车中使用相同的车辆模型在两个层次的优化框架运动规划。高级控制器计算使单圈时间最小化的轨迹，并且低级非线性模型预测路径跟随控制器在线跟踪所计算的轨迹。遵循计算出的最佳轨迹避免了在线规划，并实现了快速计算时间。通过在高级控制器中计算的终端约束，通过两个级别的耦合进一步提高了效率。在实时优化级别中包括该约束确保了预测范围可以缩短，同时保证了安全性。这对于在全尺寸无人驾驶赛车上进行实验验证至关重要。有问题的车辆赢得了两个国际学生赛车比赛，使用所提出的框架，此外，我们的分层控制器实现了20%的改进，在圈速相比，使用非常相似的汽车和轨道实现的最先进的结果。
2020-03-11 cs.RO cs.SY eess.SY
Enabling Level-4 Autonomous Driving on a Single $1k Off-the-Shelf Card
Perceptin LLC（Perceptin有限责任公司）；Northeastern Univ（东北大学）；COCOPLE LLC（COCOPLE有限责任公司）；College of William and Mary（威廉玛丽学院）；North Carolina State University（北卡罗来纳州立大学）
自动驾驶在研究和工业中都有很大的兴趣。高成本一直是减缓自动驾驶在实践中的发展和采用的主要障碍之一。这篇论文首次表明，运行4级（即，完全自动驾驶）软件，在一个现成的卡（Jetson AGX Xavier）不到1000美元，一个数量级低于国家的最先进的系统，同时满足所有要求的延迟。这一成功来自于通过一系列措施和创新解决了现有做法共有的一些重要问题。该研究颠覆了人们对4级自动驾驶所需计算资源的普遍看法，为行业降低成本指出了一条有希望的道路，并为重新思考自动驾驶的架构、软件设计和优化提供了许多研究机会。
2021-10-12 cs.AI cs.LG cs.RO
Towards a Fully Autonomous UAV Controller for Moving Platform Detection and Landing
KIOS Research and Innovation Center of Excellence（KIOS卓越研究与创新中心）；University of Cyprus（塞浦路斯大学）
虽然无人机（UAV）越来越多地部署在一些任务中，但它们无法可靠和一致地自主着陆，这对真正自主地部署此类系统构成了重大挫折。在本文中，我们提出了一个自主无人机着陆系统的移动平台上着陆。与现有的尝试相比，所提出的系统仅依赖于相机传感器，并且设计得尽可能轻。所提出的系统可以作为无人机有效载荷的一部分部署在低功率平台上，同时对任何外部通信或任何其他传感器无关紧要。该系统依赖于基于神经网络（NN）的控制器，为该控制器创建了目标和环境不可知的模拟器，用于训练和测试所提出的系统，通过强化学习（RL）和近端策略优化（PPO）来最佳地控制和操纵无人机着陆在目标上。通过实际测试，该系统在40次着陆尝试中与目标中心的平均偏差为15厘米。
2022-09-30 cs.AI cs.CV cs.LG
