High-speed Autonomous Drifting with Deep Reinforcement Learning
Alibaba Group（阿里巴巴集团）；The Hong Kong University of Science and Technology（香港科技大学）
漂移是自动车辆控制的复杂任务。在这一领域的大多数传统方法是基于运动方程的理解车辆动力学，这是很难精确建模。我们提出了一个没有显式运动方程的鲁棒漂移控制器，该控制器基于最新的无模型深度强化学习算法soft actor-critic。将漂移控制问题转化为一个轨迹跟踪任务，设计了基于误差的状态和奖励。在经过不同难度的赛道训练后，我们的控制器能够使车辆在看不见的地图中快速稳定地通过各种尖角。所提出的控制器具有良好的泛化能力，可以直接处理不可见的车辆类型与不同的物理属性，如质量，轮胎摩擦等。
2020-01-06 cs.LG cs.RO cs.SY
Learning Terrain-Aware Kinodynamic Model for Autonomous Off-Road Rally Driving With Model Predictive Path Integral Control
Agency for Defense Development（韩国国防发展局）；University of Michigan（密歇根大学）
本文提出一种融合本体与外感知信息的地形感知运动动力学模型，结合模型预测路径积分控制，实现越野环境下的高速鲁棒自主驾驶。
2023-09-22 cs.AI cs.RO cs.SY
VertiAdaptor: Online Kinodynamics Adaptation for Vertically Challenging Terrain
George Mason University（乔治梅森大学）
提出VertiAdaptor在线自适应框架，通过函数编码器融合高程与语义嵌入，实现地形感知的运动学动力学建模与规划，在仿真和实物平台上预测精度提升23.9%，自适应速度提高5倍。
2026-07-01 cs.RO
Safe and Efficient Trajectory Optimization for Autonomous Vehicles using B-spline with Incremental Path Flattening
ThorDrive Co., Ltd（ThorDrive有限公司）；Seoul National University（首尔大学）；Ajou University（亚洲大学）
针对B样条曲线在自动驾驶车辆轨迹规划中存在的车辆外形过近似、难兼顾无碰撞与动力学约束的问题，提出圆盘式扫掠体、增量路径展平及动力学惩罚方法，仿真与实车实验均验证其性能优于现有基线。
2024-10-04 cs.RO
Track-Guided Hierarchical Reinforcement Learning for Autonomous Vehicle Drifting with Minimum-Lap-Time Planning
该研究针对自动驾驶车辆漂移控制的双目标难题，提出TgRL分层强化学习框架，结合最优轨迹规划训练智能体，实现了兼顾控制性能与圈速缩短的漂移竞赛策略。
2026-08-04 cs.RO
Aggressive Racecar Drifting Control Using Onboard Cameras and Inertial Measurement Unit
Shanghai University（上海大学）；Tsinghua University（清华大学）
复杂的自动驾驶，如漂移，需要高精度和高频率的姿态信息，以确保准确性和安全性，这在仅使用车载传感器时尤其困难。在本文中，我们提出了一个漂移控制器与两个反馈控制回路：侧滑控制器，稳定的侧滑角调整前轮转向角，和圆控制器，保持一个稳定的轨迹半径和圆心，通过控制车轮转速。我们使用一个扩展的卡尔曼滤波器来估计状态。进一步提出了一种鲁棒KASA算法来精确地估计圆的参数（即，中心和半径）最适合当前轨迹。在车辆稳定漂移过程中做匀速圆周运动的前提下，用角度信息代替加速度来描述车辆的动力学。我们在1/10比例的赛车上实现了我们的方法。小车在给定圆心和半径的情况下稳定漂移，说明了该方法的有效性。
2022-02-28 cs.RO
Autonomous Vehicle Collision Avoidance With Racing Parameterized Deep Reinforcement Learning
Virginia Commonwealth University（弗吉尼亚 Commonwealth 大学）；University of Michigan（密歇根大学）
本文提出基于赛车超车的参数化深度强化学习策略，通过物理感知奖励函数在模拟中实现非线性车辆动力学的高效率碰撞避让，优于MPC-APF基线，在三个交叉口场景中表现优异。
2026-04-17 cs.RO
Learning to Drift with Individual Wheel Drive: Maneuvering Autonomous Vehicle at the Handling Limits
Department of Automation and BNRist, Tsinghua University（自动化系和BNRist，清华大学）
针对强化学习漂移控制的仿真到现实差距问题，提出结合GPU加速并行仿真与系统域随机化的强化学习框架，在仿真和1/10比例IWD开源遥控车平台验证，实现复杂机动下精确轨迹跟踪与受控侧偏角保持。
2025-08-01 cs.RO cs.SY eess.SY
Path Planning Followed by Kinodynamic Smoothing for Multirotor Aerial Vehicles (MAVs)
Center for Technologies in Robotics and Mechatronics Components, Innopolis University（英诺波利斯大学机器人与机电一体化组件技术中心）
我们探索路径规划其次是运动动力学平滑，同时确保车辆动力学的可行性微型飞行器。为此，我们选择了基于几何的运动规划技术\textquotedblleft RRT* \textquotedblright \;。在所提出的技术中，我们修改了原始RRT* 引入自适应搜索空间和转向功能，这有助于增加规划器的一致性。此外，我们提出了多个RRT*，它产生一组所需的路径，提供了最佳的路径是其中选择。然后，应用运动动力学平滑技术，得到动态可行的无障碍路径，并利用b样条曲线生成未知环境下的自主机动轨迹。最后，我们在各种模拟环境中测试了所提出的技术。
2020-08-29 cs.CV cs.RO math.OC
Kinodynamic Motion Planning via Funnel Control for Underactuated Unmanned Surface Vehicles
KTH Royal Institute of Technology（瑞典皇家理工学院）；Uppsala University（乌普萨拉大学）
针对欠驱动无人水面艇，提出基于漏斗控制的运动学运动规划算法，通过扩展预设性能控制解决欠驱动与输入饱和问题，保证稳定性并生成无碰撞轨迹，经真实水域实验验证有效。
2024-04-26 cs.RO cs.SY eess.SY
Multi-Agent Deep Reinforcement Learning for Cooperative and Competitive Autonomous Vehicles using AutoDRIVE Ecosystem
Clemson University International Center for Automotive Research (CU-ICAR)（克莱姆森大学国际汽车研究中心（CU-ICAR））
提出基于 AutoDRIVE Ecosystem 的模块化多智能体深度强化学习框架，分别用 Nigel 共享策略和 F1TENTH 独立策略验证合作通行与对抗竞速。
2023-09-30 cs.AI cs.LG cs.MA
A Genetic Approach to Gradient-Free Kinodynamic Planning in Uneven Terrains
Innopolis University（因诺波利斯大学）；University of Lincoln（林肯大学）
针对三角网格建模不平坦地形中类车机器人的运动动力学规划问题，提出基于遗传算法的GAKD算法，通过滚动时域内启发式变异遗传优化轨迹，相比MPPI等方法通行成本提升20%，为复杂环境路径规划提供实用方案。
2025-04-17 cs.RO
Zero-Shot Adaptation to Robot Structural Damage via Natural Language-Informed Kinodynamics Modeling
本研究提出ZLIK方法，利用自然语言引导的自监督学习，通过数据驱动的方式学习运动动力学模型，实现对机器人结构损伤的零样本适应，显著降低运动动力学误差并提升跨尺度泛化能力。
2026-02-12 cs.RO
FLYINGTRUST: A Benchmark for Quadrotor Navigation Across Scenarios and Vehicles
School of Electronics and Communication Enginnering, Sun Yet-sen University, Shenzhen, China（电子与通信工程学院，孙逸森大学，深圳，中国）；Tianwei Xunda (Hunan) Technology Co., Ltd., Hunan, China（天威湘电（湖南）科技有限公司，湖南，中国）
用于四旋翼的视觉导航算法在跨不同的车辆平台和场景几何形状传输时通常表现出很大的性能变化，这增加了现场部署的成本和风险。为了支持系统的早期评估，我们引入了FLYINGTRUST，一个高保真，可配置的基准框架，测量平台Kinodynamics和场景结构如何共同影响导航的鲁棒性。FLYINGTRUST通过两个紧凑的、物理上可解释的指标对车辆性能进行建模：最大推重比和轴向最大角加速度。该基准将不同的场景库与一组异构的真实和虚拟平台配对，并规定了一个标准化的评估协议以及一个综合评分方法，该方法平衡了场景重要性、平台重要性和性能稳定性。我们使用FLYINGTRUST在相同条件下比较代表性的基于优化和基于学习的导航方法，对每个平台场景组合进行重复试验，并报告不确定性感知指标。结果揭示了系统的模式：导航的成功取决于平台的能力和场景的几何形状，不同的算法表现出不同的偏好和故障模式的评估条件。这些观察结果突出了将平台能力和场景结构纳入算法设计、评估和选择的实际必要性，并且它们激励了在不同平台和场景中保持稳健的方法的未来工作。
2025-10-30 cs.RO
A Terrain-Adaptive epsilon-Constraint MPC for Uneven Terrain Kinodynamic Planning
Laboratório de Engenharia de Sistemas e Robótica, Universidade Federal da Paraíba（系统与机器人工程实验室，帕拉伊巴联邦大学）；School of Computer Science, University of Lincoln（计算机科学学院，林肯大学）
本文提出了一种适应地形的epsilon约束MPC方法，用于解决车辆在不规则地形上同时优化路径效率和姿态稳定性的规划问题，通过动态调整epsilon界限来实时探索帕累托前沿，并通过半参数模型结合分析车辆动力学和稀疏高斯过程来捕捉车辆-地形动力学。
2026-09-01 cs.RO
Terrain-Attentive Learning for Efficient 6-DoF Kinodynamic Modeling on Vertically Challenging Terrain
George Mason University（乔治梅森大学）
本文提出一种面向垂直挑战地形的6-DoF运动动力学学习方法Terrain-Attentive Learning，仅关注对当前车辆-地形交互至关重要的地形，以实现机载实时高效查询，实验表明其在所有6个DoFs上的预测误差平均降低51.1%。
2024-03-25 cs.RO
NeSAM: Neuro-Symbolic Kinodynamics with Soil Adaptation for Off-Road Mobility
George Mason University（乔治梅森大学）；University of Catania（卡塔尼亚大学）
NeSAM是结合Bekker-Wong地面力学与Transformer残差模型的神经符号框架，可在线估计土壤参数，在模拟与真实越野场景中提升运动预测准确率及轨迹跟踪精度。
2026-08-24 cs.RO
Learning Inverse Kinodynamics for Accurate High-Speed Off-Road Navigation on Unstructured Terrain
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Sony AI（索尼人工智能）
本文提出了一种基于学习的方法来考虑不可观测的世界状态的影响，在kinodynamic运动规划，以使准确的高速越野导航非结构化地形。现有的Kinodynamic运动规划器在结构化和均匀的环境中操作，因此不需要明确地考虑地形车辆的相互作用，或者假设一组离散的地形类。然而，当在非结构化地形上运行时，特别是在高速下，即使是环境的微小变化也会被放大，并导致计划执行不准确。在本文中，为了捕获复杂的Kinodynamic模型和数学上未知的世界状态，我们学习了一个Kinodynamic规划器在数据驱动的方式与板载惯性观测。我们的方法在不同的室内和室外环境中的物理机器人上进行了测试，实现了快速准确的越野导航，并优于与环境无关的替代方案，在高速行驶时，计划执行成功率提高了52.4%至86.9%。
2021-07-08 cs.RO
Drifting in the Future: Stabilizing Path Following Drifting on High-Latency Vehicle Systems
针对高延迟和机械耦合执行器的量产车，提出预测补偿、改进控制公式和制动速度稳定方法，实现稳健的圆形和八字漂移，侧向误差1.1米，侧偏角超调0.06弧度。
2026-06-29 cs.RO cs.SY eess.SY
Race to Recovery: Designing Advanced Safety Systems for Autonomous Driving via Learning Autonomous Racing
该研究针对自动驾驶失控恢复问题，通过强化学习训练赛车漂移策略并适配恢复任务，引入Gym-Khana工具，在仿真和实体F1TENTH车辆上均显著提升了失控恢复性能。
2026-10-16 cs.RO
A Nonlinear Model Predictive Control for Automated Drifting with a Standard Passenger Vehicle
BMW Group（宝马集团）；Delft University of Technology（代尔夫特理工大学）
本研究提出一种含离线平衡映射、预测控制、路径跟踪三模块的非线性模型预测控制方法，可实现标准乘用车在不同摩擦工况下稳定维持30度侧偏角的自动漂移，仿真最大横向偏差仅1米。
2024-05-17 cs.RO cs.SY eess.SY
FAEP: Fast Autonomous Exploration Planner for UAV Equipped with Limited FOV Sensor
Wuhan University（武汉大学）；Nanjing Tech University（南京工业大学）
自主探测是实现无人机自主运行的重要环节之一。为了提高探测过程的效率，本文提出了一种快速自主探测规划器（FAEP）。首先设计了一种新的边界探索序列生成方法，该方法不仅考虑了飞行层因素，还考虑了边界层因素，从而得到了更合理的探索路径。根据勘探顺序和边界分布，提出了一种两阶段航向规划策略，在一次勘探过程中通过改变航向覆盖更多的边界。为了提高路径搜索的稳定性，提出了一种基于引导路径的引导式运动动力学路径搜索方法。此外，还采用了一种动态的起点选择方法进行重新规划，以增加飞行的流畅性。我们提出了足够的基准和现实世界的实验。实验结果表明，与典型的和国家的最先进的方法相比，所提出的勘探规划的优越性。
2022-02-25 cs.RO
Safe Reinforcement Learning with a Predictive Safety Filter for Motion Planning and Control: A Drifting Vehicle Example
State Key Laboratory of Industrial Control Technology, Zhejiang University（浙江大学工业控制技术国家重点实验室）；Professorship of Autonomous Vehicle Systems, Technical University of Munich（慕尼黑工业大学自主车辆系统教授职位）
提出一种结合预测安全滤波器的安全强化学习运动规划器，通过在线调整智能体动作确保自动驾驶漂移的安全与稳定，仿真显示其在跟踪误差和计算效率上优于传统方法。
2025-06-28 cs.RO
Delayed Expansion AGT: Kinodynamic Planning with Application to Tractor-Trailer Parking
School of Aerospace Engineering, Georgia Institute of Technology（航空航天工程学院，佐治亚理工学院）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
针对铰接式车辆在杂乱环境中kinodynamic规划的高维、动力学复杂难题，提出融合延迟扩展运动基元、学习型启发式与轨迹跟踪终止机制的DE-AGT算法，在3节挂车自动泊车仿真中实现10倍平均加速。
2025-06-16 cs.RO cs.SY eess.SY
REAL: Rapid Exploration with Active Loop-Closing toward Large-Scale 3D Mapping using UAVs
KAIST (Korea Advanced Institute of Science and Technology)（韩国科学技术院）
在不与障碍物碰撞的情况下探索未知环境是自动驾驶车辆执行各种任务的基本要素之一，例如结构检查，救援，交付等。因此，快速、敏捷且具有高自由度的无人机（UAV）已经被广泛使用。然而，以前的方法有两个局限性：a）首先，它们可能不适合探索大规模环境，因为它们主要依赖于基于随机采样的路径规划，这会导致不必要的移动。b）其次，他们假设姿态估计足够准确，这是获得准确地图的最关键因素。为了快速、准确地探测和绘制未知大规模环境，提出了一种新的探测方法，该方法将预先计算的孔雀轨迹与基于图的全局探测和主动闭环相结合。由于采用了考虑无人机运动学的两步轨迹，因此可以保证以滚动时域的方式避障。此外，考虑边界的局部探索和基于图的全局探索通过最小化不必要的重访来最大化探索的速度。此外，通过基于似然性主动地闭合环路，姿态估计性能得到改善。所提出的方法的性能进行了验证，通过探索与国家的最先进的方法相比，三维仿真环境。最后，在一个真实世界的实验中，所提出的方法进行了验证。
2021-08-05 cs.RO
Terrain-Aware Kinodynamic Planning with Efficiently Adaptive State Lattices for Mobile Robot Navigation in Off-Road Environments
Robotics and Artificial Intelligence Laboratory, Hajim School of Engineering and Applied Sciences, University of Rochester（机器人与人工智能实验室，哈吉姆工程与应用科学学院，罗切斯特大学）；DEVCOM Army Research Laboratory（陆军研究实验室）
本文提出KEASL，一种基于EASL的地形感知动力学规划方法，通过编码速度、加速度约束和车辆方向，并在搜索中评估侧倾、俯仰等，在越野环境中比EASL在83.72%的规划查询中提供更高效路线。
2025-04-24 cs.RO cs.SY eess.SY
Emergent Autonomous Drifting for Collision Avoidance in Real-World Winter Driving Scenarios
Toyota Research Institute（丰田研究院）
研究现实世界冬季驾驶中漂移对安全的作用，提出基于碰撞死亡数据的能漂移的非线性模型预测控制（MPC）系统，经实验与比较，该系统能在多种速度下降低中位车道误差，在危险场景中表现更优。
2026-07-23 cs.RO cs.SY eess.SY
AutoMPC: A Code Generator for MPC-based Automated Driving
University of Luebeck（吕贝克大学）
AutoMPC通过鲁棒化主动集非线性MPC算法和自动生成高效C代码，解决了MPC在自动驾驶量产中计算需求高和实现复杂的问题，并支持多种驾驶场景。
2025-08-19 cs.MS cs.RO cs.SY
BOWConnect: Parallel Bayesian Optimization over Windows with Learned Local Cost Maps for Sample-Efficient Kinodynamic Motion Planning
Louisiana State University New Orleans（路易斯安那州立大学新奥尔良分校）；Florida International University（佛罗里达国际大学）
提出BOWConnect双向并行运动动力学规划器，通过窗口贝叶斯优化学习局部代价图引导采样，解决高维空间样本效率低、动态约束下代价启发式不可靠及窄通道规划难题，在基准测试中实现100%成功率。
2026-06-26 cs.RO
Incorporating Stochastic Models of Controller Behavior into Kinodynamic Efficiently Adaptive State Lattices for Mobile Robot Motion Planning in Off-Road Environments
University of Rochester（罗切斯特大学）；DEVCOM Army Research Laboratory（陆军研究实验室）；Parsons（帕尔逊公司）
本研究提出三种将随机控制器行为模型融入KEASL规划器的方法，实验表明其产生更保守轨迹，降低预测碰撞概率，但相比扩大障碍物足迹的基线，规划成功率有所下降。
2025-08-06 cs.RO
Tether-Inertial Localization for Planetary Drones
TU Delft（代尔夫特理工大学）；European Space Agency（欧洲空间局）
针对行星无人机定位受有效载荷限制的问题，提出系绳-惯性定位方法，结合解析悬链线模型与GP残差补偿，误差达5.2厘米，优于现有技术，可替代视觉与GNSS定位。
2026-08-11 cs.RO
Search-Based Task and Motion Planning for Hybrid Systems: Agile Autonomous Vehicles
Virtual Vehicle Research GmbH（虚拟车辆研究有限公司）；Delft University of Technology（代尔夫特理工大学）；University of Pavia（帕维亚大学）；University of Sarajevo（萨拉热窝大学）；Graz University of Technology（格拉茨工业大学）
为了在动态场景中实现最佳的机器人行为，我们需要以预测的方式考虑复杂的动态。在车辆动力学领域，众所周知，为了在低表面上实现时间最优的驾驶，车辆应该利用漂移。因此，许多作者设计了规则来分割电路，并在某些部分上采用漂移。这些规则是次优的，并且不能推广到任意电路形状（例如，类S曲线）。所以，问题是“什么时候进入哪种模式，以及如何驾驶？“仍然没有答案为了选择合适的模式（离散决策），该算法需要关于该模式下连续运动的可行性的信息。这使得它成为一类任务和运动规划（TAMP）问题，这是众所周知的，很难在实时最佳解决。在AI规划社区中，搜索方法是常用的。然而，由于连续分量，它们不能直接应用于TAMP问题。在这里，我们提出了一种基于搜索的方法，有效地解决了这个问题，并有效地搜索在高维状态空间的非线性和不稳定的动态。通过对由搜索引导的运动基元的不同组合进行采样来探索可能的轨迹的空间。我们的方法允许使用多个局部近似模型来生成运动基元（例如，学习的漂移模型），并有效地简化问题，而不会失去准确性。该算法的性能进行了评估，在模拟驾驶的混合轨道与不同的曲率段（右和左）。我们的代码可在https://git.io/JenvB上获得
2023-01-25 cs.AI cs.RO math.OC
csBoundary: City-scale Road-boundary Detection in Aerial Images for High-definition Maps
The Hong Kong University of Science and Technology（香港科技大学）；The Hong Kong Polytechnic University（香港理工大学）
高清地图可以为自动驾驶提供静态交通环境的精确几何和语义信息。道路边界是高清地图中最重要的信息之一，因为它区分了道路区域和非道路区域，可以引导车辆在道路区域内行驶。但是，在城市尺度上为高清地图标注道路边界是劳动密集型的。为了实现自动高清地图标注，目前的工作使用语义分割或迭代图生长的道路边界检测。然而，前者不能确保拓扑正确性，因为它工作在像素级，而后者则存在效率低下和漂移问题。为了解决上述问题，在这封信中，我们提出了一种新的系统，称为csBoundary自动检测道路边界在城市规模的高清地图注释。我们的网络将空中图像块作为输入，并直接推断连续道路边界图（即，顶点和边）从这个图像。为了生成城市规模的道路边界图，我们缝合从所有图像块获得的图。我们的csBoundary在公共基准数据集上进行评估和比较。结果证明了我们的优势。随附的演示视频可在我们的项目页面\url{https://sites.google.com/view/csboundary/}上获得。
2022-02-07 cs.CV cs.RO
Collision-free Trajectory Planning for Autonomous Surface Vehicle
College of Control Science and Technology, Zhejiang University（浙江大学控制科学与工程学院）；Institute of Cyber-Systems and Control, Zhejiang University（浙江大学智能系统与控制研究所）
在本文中，我们提出了一种高效和准确的方法，自主表面车辆生成一个光滑的和无碰撞的轨迹，考虑其动力学约束。将轨迹规划问题解耦为前端可行路径搜索和后端运动学轨迹优化。首先，建立了双推力欠驱动水面舰艇的数学模型。然后采用基于采样的路径搜索方法，在障碍物周围环境中寻找一条渐近最优路径，并从中提取多个航路点，在后端采用数值优化方法生成轨迹。从野外航行安全的角度出发，提出了航行走廊法，以保证航迹远离障碍物。此外，考虑到有限的燃料ASV携带，我们设计了一个数值目标函数，可以优化一个节省燃料的轨迹。最后，我们在仿真环境中验证和比较所提出的方法，结果符合我们的预期轨迹。
2020-05-20 cs.RO
Adapting Generalist Vehicle Models for High-Speed MPC Across Terrains
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；DEVCOM Army Research Laboratory（陆军研究实验室）
研究高速越野自主中通用车辆模型适应不同地形的问题，提出OptCar方法，通过历史条件动态适应模块，利用有限真实数据和合成展开微调通用模型，在多种实验中表现良好，提升了跨地形性能。
2026-10-19 cs.AI cs.LG cs.RO
T$^{\star}$-Lite: A Fast Time-Risk Optimal Motion Planning Algorithm for Multi-Speed Autonomous Vehicles
University of Connecticut（康涅狄格大学）；Naval Undersea Warfare Center（海军水下作战中心）
在本文中，我们开发了一种新的算法，称为T $^{\star}$ -Lite，使变速自动驾驶汽车的快速时间风险最优运动规划。T $^{\star}$ -Lite算法是先前开发的T $^{\star}$算法的显著更快版本。T $^{\star}$ -Lite使用T $^{\star}$的新时间风险成本函数;然而，它使用的不是基于网格的方法，而是基于渐进最优采样的运动规划器。此外，它利用最近开发的广义多速度Dubins运动模型（GMDM）的样本到样本kinodynamic运动规划。基于样本的方法和GMDM显着降低了计算负担的T $^{\star}$，同时提供合理的解决方案的质量。采样点从由两个位置坐标加上车辆航向和速度组成的四维配置空间中绘制。具体而言，T $^{\star}$ -Lite使运动规划器能够根据车辆与障碍物的接近程度选择车辆速度和方向，以生成更快、更安全的路径。在本文中，T $^{\star}$ -Lite是使用RRT $^{\star}$运动规划器开发的，但适应其他运动规划器是简单的，取决于规划器的需要
2020-08-29 cs.AI cs.RO cs.SY
Dom, cars don't fly! -- Or do they? In-Air Vehicle Maneuver for High-Speed Off-Road Navigation
Department of Computer Science, George Mason University（计算机科学系，乔治·马歇尔大学）
本文提出了一种基于混合前向动力学模型的空中车辆操控方法，通过车辆控制实现高速越野导航中的精准空中 maneuver。
2025-03-24 cs.RO cs.SY eess.SY
GP-enhanced Autonomous Drifting Framework using ADMM-based iLQR
Zhejiang University（浙江大学）；ETH Zurich（苏黎世联邦理工学院）
提出融合 GP 残差补偿与基于 ADMM 的 iLQR 的分层自主漂移框架，显著提升轨迹跟踪精度与实时计算效率。
2025-03-14 cs.RO cs.SY eess.SY
Learning to Drift in Extreme Turning with Active Exploration and Gaussian Process Based MPC
State Key Laboratory of Industrial, Zhejiang University（工业-state重点实验室，浙江大学）
提出结合高斯过程回归与模型预测控制的模型校正漂移控制器，通过主动探索漂移速度来校正模型失配并最小化轨迹误差，仿真与实验证明其显著降低了横向与速度跟踪误差。
2025-06-01 cs.AI cs.RO cs.SY
CAHSOR: Competence-Aware High-Speed Off-Road Ground Navigation in SE(3)
George Mason University（乔治梅森大学）
针对高速越野车辆在SE(3)中的稳定性问题，提出CAHSOR方法，利用6自由度运动模型和TRON地形表示，实现能力感知导航，减少62%不稳定性，仅牺牲8.6%速度。
2025-03-24 cs.RO
Reference-Free Formula Drift with Reinforcement Learning: From Driving Data to Tire Energy-Inspired, Real-World Policies
Toyota Research Institute（丰田研究所）；Rensselaer Polytechnic Institute（伦斯勒理工学院）
提出基于轮胎能量吸收概念的强化学习漂移智能体，利用驾驶数据学到的神经 SDE 车辆模型仿真训练并零样本部署到实车，在两款车上实现低误差、大侧偏角的自主漂移。
2024-10-28 cs.LG cs.RO cs.SY
Adaptive Learning-based Model Predictive Control Strategy for Drift Vehicles
Zhejiang University（浙江大学）；UC Berkeley（加州大学伯克利分校）；Technical University of Munich（慕尼黑工业大学）
本文针对漂移车辆路径跟踪难题，提出基于自适应路径跟踪和贝叶斯优化学习漂移平衡点的分层ALMPC策略，在Matlab-Carsim仿真中验证了其对回旋线参考路径的有效跟踪能力。
2025-02-07 cs.RO
