Event-Triggered Regulation of Mixed-Autonomy Traffic Under Varying Traffic Conditions
针对由人类驾驶车辆与自动驾驶车辆组成的混合自主交通系统，本文基于扩展ARZ模型提出带观测器的事件触发匝道控制框架，可在低控制更新成本下稳定交通流、缓解拥堵。
2025-11-17 cs.SY eess.SY
An anisotropic traffic flow model with look-ahead effect for mixed autonomy traffic
该研究扩展 ARZ 模型，以非局部平均密度刻画 CAVs 前视效应，并通过扰动分析与数值实验揭示前视距离、渗透率及空间分布对混合交通稳定性的影响。
2024-12-06 cs.SY eess.SY math.AP
Safety-Critical Lane-Change Control for CAV Platoons in Mixed Autonomy Traffic Using Control Barrier Functions
针对CAV车队在变道场景下的安全问题，提出一种基于CBFs和CLFs的双层安全关键控制方法，实现纵向与横向安全控制，并在四个场景仿真中验证了有效性。
2023-02-01 cs.SY eess.SY
Mixed Traffic: A Perspective from Long Duration Autonomy
针对混合交通下V2I融合的挑战性问题，提出面向允许红灯右转交叉口的CAV长时程自主控制器，结合CBF约束实现安全准时通行，证明策略可行并经仿真验证。
2025-06-17 cs.SY eess.SY
Traffic Equilibrium in Mixed-Autonomy Network with Capped Customer Waiting
University of Southern California（南加州大学）
本文提出了一种混合自主网络交通均衡模型，通过整合网约车、旅行者和交通系统，分析自动驾驶车辆渗透率和路线偏离因子对交通系统性能的影响。
2025-12-11 cs.SY eess.SY
Traffic Control in a Mixed Autonomy Scenario at Urban Intersections: An Optimization-based Framework
我们考虑一个交叉区，其中自动驾驶汽车（AV）和人类驾驶的车辆（HDV）可以存在。当新的车辆到达时，交通控制器需要决定并施加将离开交叉口区域的车辆的最佳顺序。交通控制器可以发送关于AV可以穿过十字路口的时间的信息;然而，交通控制器不能与HDV通信，而只能使用交通灯来控制HDV。我们制定的问题作为一个整数约束的非线性优化问题的交通路口控制器只与一个子集的AV。由于可能的组合的数量随着系统中车辆的数量呈指数级增加，我们放松了原来的问题，并提出了一种算法，给出了放松的问题的最佳解决方案，但只与系统中的车辆数量呈线性关系。数值计算表明，我们的算法优于先进先出（FIFO）算法。
2021-08-28 cs.SY eess.SY math.OC
Learning Generalizable Multi-Lane Mixed-Autonomy Behaviors in Single Lane Representations of Traffic
强化学习技术可以为未来自动驾驶系统的期望行为提供实质性的见解。通过优化交通的社会度量，例如增加的吞吐量和减少的能量消耗，这样的方法可以导出机动，如果被甚至一小部分车辆采用，则可以显著改善所有涉及的车辆的交通状态。然而，这些方法在实践中受到设计高效和准确的流量模型的困难以及与优化数十个交互代理的行为相关的挑战的阻碍。为了应对这些挑战，本文处理的问题，学习概括的交通控制策略，在简单的表示车辆驾驶动态。特别是，我们期待混合自治环路的不稳定性，导致拥堵的形成。在这个问题中，我们设计了一个课程学习范式，利用网络的自然可扩展性，有效地学习行为，减少长期的拥塞。接下来，我们研究了模型车道变换的政策的可转移性的影响。我们的研究结果表明，在更复杂的系统中引入甚至近似匹配趋势的车道变换行为可以显着提高后续学习模型的泛化能力，以更准确的多车道交通模型。
2021-12-31 cs.MA cs.SY eess.SY
LAVAPilot: Lightweight UAV Trajectory Planner with Situational Awareness for Embedded Autonomy to Track and Locate Radio-tags
The University of Adelaide（阿德莱德大学）
追踪和定位无线电标记的野生动物是野生动物保护中必要的劳动密集型和耗时的任务。在这篇文章中，我们专注于实现嵌入式自治的资源有限的空中机器人的任务能够避免不良干扰野生动物的问题。我们采用了一个轻量级的传感器系统，能够同时（嘈杂）测量的无线电信号强度信息从多个标签估计对象的位置。我们制定了一个新的轻量级的基于任务的轨迹规划方法-LAVAPilot-与贪婪的评估策略和空函数制定，以实现态势感知，以保持一个安全的距离感兴趣的对象。从概念上讲，我们嵌入我们的直觉移动更近，以减少测量到LAVAPilot的不确定性，而不是采用计算密集型的信息增益为基础的规划策略。我们采用LAVAPilot和传感器来构建一个轻量级的空中机器人平台，该平台具有完全嵌入式的自主性，用于联合跟踪和规划，以跟踪和定位保护生物学家使用的多个VHF无线电项圈标签。使用广泛的Monte Carlo仿真为基础的实验，实现在单板的计算模块，并使用多个VHF无线电项圈标签的空中机器人平台的现场实验，我们评估我们的联合规划和跟踪算法。此外，我们将我们的方法与其他基于信息的规划方法进行了比较，无论有无态势感知，以证明我们的机器人执行LAVAPilot的有效性。我们的实验表明，LAVAPilot显着降低（98.5%）规划的计算成本，使实时规划决策，同时实现类似的定位精度的对象相比，基于信息增益的规划方法，虽然需要稍长的时间来完成任务。
2020-07-31 cs.RO cs.SY eess.SY
An Optimal Control Framework for Influencing Human Driving Behavior in Mixed-Autonomy Traffic
本文提出一个基于控制障碍函数的最优控制框架，通过策略性改变自动驾驶车辆行为来主动影响人类驾驶，在跟车、变道等场景中验证了其在交通流优化和缓解激进行为上的多功能性。
2024-03-22 cs.SY eess.SY
Robust Safety for Mixed-Autonomy Traffic with Delays and Disturbances
针对混合交通中CAV的执行器、传感器时延及扰动会破坏安全保证的问题，提出鲁棒安全关键交通控制RSTC，通过带误差界的状态预测器、鲁棒CBF约束及结合观测器的预测型CBF实现鲁棒安全，仿真验证其可在两类危险场景下避免追尾。
2023-10-06 cs.SY eess.SY
Routing Equilibrium in Mixed-Autonomy Traffic Networks with Altruistic Autonomous Agents
Northwestern University（西北大学）
本文通过变分不等式框架研究混合自主交通网络中自私人类与利他自主车辆的路由博弈均衡，给出社会成本改善或恶化的充分条件，并证明分散与集中场景下的均衡等价性。
2026-05-22 cs.GT cs.SY eess.SY
Reinforcement Learning for Mixed Autonomy Intersections
Massachusetts Institute of Technology（麻省理工学院）
本文提出了一种无模型强化学习方法，用于控制模拟交通网络中的混合自主交通，该网络中只有双向交叉口和四向交叉口。我们的方法利用多智能体的政策分解，允许分散控制的基础上，对任意数量的受控车辆的本地观测。我们证明，即使没有奖励塑造，强化学习也能学会协调车辆，使其表现出类似交通信号灯的行为，在33-50%的受控车辆中实现接近最佳的吞吐量。在多任务学习和迁移学习的帮助下，我们证明了这种行为可以推广到流量流量和流量网络的大小。我们的代码、模型和结果视频可以在https://github.com/ZhongxiaYan/mixed_autonomy_intersections上找到。
2021-11-08 cs.AI cs.LG cs.MA
Unsignalized Intersection Management Strategy for Mixed Autonomy Traffic Streams
针对CAVs、CHVs和HVs共存的混合交通流，本文提出包含HPQ路权分配算法与模型预测控制的无信号交叉口管理策略，仿真表明该方法可将平均出行时间降低5%至65%，有效平衡了效率与安全。
2024-08-23 cs.SY eess.SY
Mean-Square Exponential Stabilization of Mixed-Autonomy Traffic PDE System
针对混合自主交通PDE系统，提出反步边界控制律，实现带马尔可夫跳变参数系统的均方指数镇定，并用数值模拟验证。
2024-06-25 cs.SY eess.SY math.AP
Temporal Transfer Learning for Traffic Optimization with Coarse-grained Advisory Autonomy
Department of Civil and Environmental Engineering, Massachusetts Institute of Technology（麻省理工学院土木与环境工程系）；Laboratory for Information & Decision Systems, Massachusetts Institute of Technology（麻省理工学院信息与决策系统实验室）；Department of Mechanical and Automotive Engineering, Seoul National University of Science and Technology（首尔科学技术大学机械与汽车工程系）
本文提出时序迁移学习算法，通过零样本迁移解决自动驾驶中的粗粒度建议任务，验证了其在混合交通场景中的有效性。
2026-04-10 cs.AI cs.LG cs.RO
Enhancing System-Level Safety in Mixed-Autonomy Platoon via Safe Reinforcement Learning
针对混合自主车队DRL控制缺乏安全保证、假设不切实际等问题，提出结合CBF约束、系统级安全机制与学习式系统辨识的安全DRL控制器，在保障安全的同时提升交通效率与稳定性。
2024-03-01 cs.SY eess.SY
Leveraging Vehicle Connectivity and Autonomy to Stabilize Flow in Mixed Traffic Conditions: Accounting for Human-driven Vehicle Driver Behavioral Heterogeneity and Perception-reaction Time Delay
人类驾驶的不稳定性往往会触发不希望的波，随着连续的驾驶员反应从错误的车辆传播到上游的车辆，这些波会放大。这种现象被称为幻影拥堵，在文献中被认为是交通拥堵的主要原因之一。本文的前提是，车辆自动化和连接可以帮助缓解这种拥堵。在本文中，我们设计了一个控制器，用于连接和自动驾驶汽车（CAV），以稳定的人驾驶车辆（HDV）的流量，是CAV的上游，从而降低碰撞风险，在上游交通环境。在模拟混合交通流中的HDV动态时，我们充分考虑了HDV驾驶员的异质性和与其感知反应时间相关的时间延迟。我们可以发现，与不考虑人类驾驶员潜在时间延迟和异质性的情况相比，CAV可以稳定的HDV的最大数量更低。这一结果表明，HDV行为的异质性和时间延迟损害了CAV稳定交通的能力。因此，在设计CAV控制器的交通稳定，它是必不可少的考虑这种不确定性相关的条件。在我们的演示中，我们还表明，所设计的控制器可以显着提高混合交通流的稳定性和流中的CAV和HDV的安全性。结果是有用的实时校准的模型参数，表征HDV运动的混合流。
2020-08-17 cs.SY eess.SY math.OC
How Will the Presence of Autonomous Vehicles Affect the Equilibrium State of Traffic Networks?
本文研究在混合自动驾驶交通网络中，用自动驾驶车辆替代部分常规车辆对网络流动性的影响，发现在异质不对称度条件下总延迟可能随自动驾驶程度增加而增长，并在同质网络中给出了性能下降的界限。
2019-01-16 cs.GT cs.SY eess.SY
Pricing Traffic Networks with Mixed Vehicle Autonomy
University of California, Berkeley（加州大学伯克利分校）
本文研究了通过定价机制消除混合自动驾驶交通网络中均衡的低效率问题，探讨了统一定价和差异化定价对社会延迟的影响，并证明了在道路容量不对称度均匀时，边际成本税收定价可实现最小社会延迟。
2019-04-02 cs.GT cs.SY eess.SY
Flow: A Modular Learning Framework for Mixed Autonomy Traffic
Laboratory for Information and Decision Systems, Massachusetts Institute of Technology（信息与决策实验室，麻省理工学院）；Institute of Data, Systems, and Society, Massachusetts Institute of Technology（数据、系统与社会研究所，麻省理工学院）；Department of Mechanical Engineering, University of California, Berkeley（机械工程系，加州大学伯克利分校）
本文提出了一种模块化学习框架，利用深度强化学习解决复杂交通动态问题，通过提高系统层面的速度，使学习到的控制法则在仅有4-7%的自动驾驶汽车参与度下，相比人类驾驶性能提升高达57%。此外，在单车道交通中，一个仅使用局部观测的小型神经网络控制法则能够消除拥堵现象，达到近最优性能。
2021-12-30 cs.AI cs.RO cs.SY
Cooperation for Scalable Supervision of Autonomy in Mixed Traffic
Massachusetts Institute of Technology（麻省理工学院）
本研究提出可扩展监督框架，通过远程监督者与自主车辆合作，利用排队论和可达性分析，证明合作可大幅提升监督可靠性并减少每车所需监督者，助力自主性规模化部署。
2023-05-10 cs.AI cs.LG cs.MA
Compromised ACC vehicles can degrade current mixed-autonomy traffic performance while remaining stealthy against detection
我们证明，供应链水平的妥协，自适应巡航控制（ACC）的能力，装备车辆可以用来显着降低系统级的性能，目前的混合自动高速公路网络。通过一个简单的威胁模型，导致随机减速攻击（RDAs），受损的车辆在交通中产生拥塞波，降低平均速度和网络吞吐量。我们使用一个详细的和现实的交通模拟环境，以量化的影响，在美国的一个真正的高容量的高速公路模型的攻击。我们发现，攻击的效果取决于潜在的交通拥堵水平，以及ACC车辆的百分比可以受到影响。在中度拥堵的情况下，攻击可以降低平均通勤速度超过7%。在高密度的情况下，整个网络的吞吐量最多可减少3%。而且，在中度到高度拥塞的制度，它可以成本通勤者在网络上超过300美元/公里小时。所有这些结果激励，所提出的攻击是能够显着降低交通网络的性能。我们还开发了一种异常检测技术，该技术使用车辆上的GPS轨迹来识别恶意/受损车辆。我们采用这种技术从模拟实验的数据，发现它是无法识别受损的ACC相比，良性/正常的驱动程序。也就是说，这些攻击是隐形的检测。更强的攻击可以被准确地标记为恶意的，这促使攻击在不再隐身之前的影响力是有限的。最后，我们实验执行一个真正的和商业上可用的ACC车辆的攻击，展示了现实世界的RDA的可行性。
2021-12-22 cs.CR cs.MA cs.SY
Distributed Maneuver Planning with Connected and Automated Vehicles for Boosting Traffic Efficiency
互联和自动驾驶车辆（CAV）有可能提高交通吞吐量，并实现更有效地利用现有道路基础设施。它们还具有通过交通运动协调来减少能源消耗的潜力，即使在与其他人类驾驶车辆混合交通时也是如此。实现这些潜力的关键是协调的控制方案，可以在一个分布式的方式与CAV实施。在本文中，我们提出了一个分布式预测控制框架，其特点是一个二维机动规划器，在不同的渗透水平的混合交通中运行的连接车辆之间的显式协调约束。该框架包括一个分布式实现的参考速度分配器，估计本地交通速度从车载测量和通信信息。我们提出了一个广泛的评估所提出的框架在交通微观模拟在各种CAV渗透从交通流量，能源使用和车道利用的角度来看。结果进行了比较，没有CAV的基线方案，以及，一个基准的一维规划。
2022-12-15 cs.SY eess.SY
Hierarchical Multi-Agent MCTS for Safety-Critical Coordination in Mixed-Autonomy Roundabouts
James Watt School of Engineering, University of Glasgow（格拉斯哥大学詹姆斯·瓦特工程学院）；Boston University（波士顿大学）
本文提出了一种分层多智能体MCTS框架，用于混合自主性环形路口的安全协调，通过车道特定不确定性模型和安全意识修剪，有效降低轨迹偏移和PET违规率。
2026-02-24 cs.SY eess.SY
High-Speed, All-Terrain Autonomy: Ensuring Safety at the Limits of Mobility
Department of Mechanical Engineering, University of Michigan（密歇根大学机械工程系）；U.S. Army Ground Vehicle Systems Center（美国陆军地面车辆系统中心）
本文提出一种新型局部轨迹规划器，通过能量约束实现高速越野车辆在复杂地形中的安全行驶，通过仿真和实验证明其在极端场景下的有效性。
2026-03-20 cs.RO cs.SY eess.SY
Routing for Traffic Networks with Mixed Autonomy
University of California, Santa Barbara（加州大学圣塔芭芭拉分校）；Georgia Institute of Technology（佐治亚理工学院）
本文提出了一种宏观模型，研究人类驾驶与自动驾驶车辆共享网络的路由问题，分析自动驾驶车辆编队的影响，通过建立道路容量模型并定义道路延迟函数，界定了价格厌恶（PoA）和双标准指标，发现其依赖于多项式次数和交通不对称性程度。
2018-09-05 cs.GT cs.SY eess.SY
Optimizing Mixed Autonomy Traffic Flow With Decentralized Autonomous Vehicles and Multi-Agent RL
UC Berkeley（加州大学伯克利分校）；Paris-Saclay University（巴黎萨克雷大学）；ENS Paris-Saclay（巴黎萨克雷高等师范学院）
我们研究了自主车辆的能力，以提高吞吐量的瓶颈，使用一个完全分散的控制方案，在一个混合的自治设置。我们考虑的问题，提高吞吐量的比例模型的旧金山-奥克兰海湾大桥：一个两阶段的瓶颈，四车道减少到两个，然后减少到一个。虽然有大量的工作研究在集中式设置的瓶颈控制的变体，有较少的研究具有挑战性的多智能体设置，其中大量的相互作用的AV导致强化学习方法的显着优化困难。我们应用多智能体增强算法来解决这个问题，并证明了瓶颈吞吐量的显着改善，从20%，在5%的渗透率到33%，在40%的渗透率，可以实现。我们比较我们的结果，手工设计的反馈控制器，并证明我们的结果大幅优于反馈控制器，尽管广泛的调整。此外，我们证明了基于RL的控制器采用了一个强大的策略，工作在整个渗透率，而反馈控制器降低渗透率变化后立即。我们调查的可行性，行动和观察权力下放，并表明，有效的战略是可能的，纯粹使用本地传感。最后，我们在https://github.com/eugenevinitsky/decentralized_bottlenecks上开源了我们的代码。
2020-10-30 cs.LG cs.MA cs.RO
A Game Theoretic Macroscopic Model of Bypassing at Traffic Diverges with Applications to Mixed Autonomy Networks
University of California, Berkeley（加州大学伯克利分校）
本文提出一个宏观模型预测交通分歧点的绕行车辆数量，考虑车辆自私行为，建立Wardrop均衡模型，证明均衡存在性和唯一性，并展示模型在混合自主网络中的应用。
2018-09-08 cs.GT cs.SY eess.SY
A Hybrid Queuing Model for Coordinated Vehicle Platooning on Mixed-Autonomy Highways: Training and Validation
联网和自动驾驶车辆（CAV）的排队是一项新兴技术，具有提高吞吐量和减少燃油的强大潜力。适当的宏观模型是至关重要的系统级的效率和可靠性的队列。在本文中，我们考虑了一个混合排队模型的混合自治公路路段，并开发了一个易于使用的训练算法。该模型根据交通需求和路段的关键参数预测CAV和非CAV计数。训练算法从观测数据中实时学习公路参数。我们在城市交通仿真（SUMO）中对模型和算法进行了测试，结果表明，在静止环境中的预测误差约为15%，在非静止环境中的预测误差约为25%。我们还表明，训练模型导致一个队列车头时距调节政策非常接近模拟的最优。所提出的模型和算法可以直接支持混合自治环境下的队列调度模型预测决策。
2021-03-26 cs.SY eess.SY
Airspace-aware Contingency Landing Planning
Virginia Polytechnic Institute and State University（弗吉尼亚理工大学）
本文提出了一种实时应急着陆规划器，通过结合空域和地面风险评估，减少交通干扰并提高着陆效率。
2026-02-06 cs.RO cs.SY eess.SY
When Altruism Meets Autonomy: Managing Bottleneck Congestion with Strategic Autonomous Vehicles
University of Southern California（南加州大学）
本文研究混合自主性交通系统中自主车辆对瓶颈拥堵的影响，通过建立统一均衡框架，分析不同车辆类型的行为决策，揭示自主车辆渗透率对系统性能的非递减影响。
2026-04-12 cs.GT cs.SY eess.SY
Leveraging UAV Autonomy for Minimum 4D Flight Authorization Volumes
University of Cyprus（塞浦路斯大学）
针对城市无人机交通问题，提出基于自主无人机的飞行授权框架，通过生成概率时空包络确定最小4D运行体积，仿真表明其空域预留更紧凑高效。
2026-08-25 cs.SY eess.SY
A Long-Duration Autonomy Approach to Connected and Automated Vehicles
Old Dominion University（旧 Dominion 大学）
本文提出一种基于最优控制与高阶控制屏障函数的长时自主控制方法，用于联网自动驾驶车辆在交通瓶颈处实现安全、高效运行，并通过仿真验证其性能。
2025-10-09 cs.RO cs.SY eess.SY
Joint routing and pricing control in congested mixed autonomy networks
已被证明连接和自主车辆（CAV）的路由可控性，以减少自私的路由对网络效率的不利影响。然而，CAV所有者为了系统的利益而愿意让自己受到中央机构的外部控制的假设是不现实的。在本文中，我们提出了一个联合路由和定价控制方案，旨在激励CAV寻求中央控制的系统最优（SO）路由节省通行费，而用户均衡（UE）寻求人类驾驶的车辆（HV）受到拥堵费。该问题被制定为一个双层优化程序，上层优化的动态收费率使用网络基本图（NFD）和较低的水平是一个基于混合平衡模拟的动态交通分配模型（SBDTA）考虑不同的组合SO寻求CAV。我们应用一个基于反馈的控制器来解决最佳的空间差异化的基于距离的拥堵费，从SO寻求CAV是豁免，但UE寻求HV受到进入市中心的费用。为了捕捉不同的微观行为的CAV在混合自主交通，我们还实现了自适应链路基本图（FD）内的SBDTA模型。建议的联合控制方案鼓励CAV业主寻求SO路由导致更少的总系统旅行时间。它还阻止了UE寻求HV拥挤的市中心。我们证明了所提出的方案在澳大利亚墨尔本的一个小型网络和一个大型网络的性能。
2021-08-08 cs.SY eess.SY math.OC
Infusing Reachability-Based Safety into Planning and Control for Multi-agent Interactions
Stanford University（斯坦福大学）
在机器人自主堆栈中，规划器和控制器通常是分开设计的，并且用于不同的目的。因此，在确保机器人安全方面，往往存在责任分散的问题。我们建议，计划者和控制者应该共享相同的安全解释，但以不同但互补的方式应用这些知识。为了实现这一目标，我们使用汉密尔顿-雅可比（HJ）可达性理论在规划层面提供的前瞻性，以避免进入可能不可避免的碰撞区域的机器人规划。但是，仅凭这一点并不能保证安全。结合这HJ可达性注入计划，我们提出了一个最小干预的多智能体安全保护控制器也来自HJ可达性理论。安全控制器保持机器人的安全性，而不会过度影响规划器的性能。我们在多智能体高速公路场景中展示了我们提出的方法的好处，其中机器人汽车将获得奖励，以尽可能快地在交通中导航，并且我们表明，与其他安全控制器相比，我们的方法提供了强有力的安全保证，同时实现了最高的性能。
2020-07-31 cs.RO cs.SY eess.SY
Artificial Intelligence for Modeling and Simulation of Mixed Automated and Human Traffic
Department of Transport & Planning, Delft University of Technology（代尔夫特理工大学交通与规划系）；Department of Industrial and Systems Engineering, University of Michigan, Dearborn（密歇根大学迪尔伯恩分校工业与系统工程系）；Tandon School of Engineering, New York University（纽约大学Tandon工程学院）
本文探讨了人工智能在混合自动化与人类交通模拟中的应用，提出了一种分类方法，涵盖行为模型、环境模拟和认知物理方法，旨在填补现有研究的空白。
2026-04-14 cs.AI cs.RO cs.SY
Learning to Influence Vehicles' Routing in Mixed-Autonomy Networks by Dynamically Controlling the Headway of Autonomous Cars
众所周知，自动驾驶汽车可以通过在车辆队列中保持较小的车头时距来增加道路通行能力。最近的研究表明，这些容量的增加会以意想不到的方式影响车辆的路线选择，类似于众所周知的Braess悖论，从而可能增加网络拥塞。在本文中，我们提出，在混合自治网络，即，在人类驾驶和自动驾驶汽车共享道路的网络中，自动驾驶汽车的车头时距可以直接控制，以影响车辆的路线并减少拥堵。我们认为，自动驾驶汽车的行驶速度以及路段的容量不仅仅是一个固定的设计选择;相反，它可以作为一种{基础设施控制}策略来{动态}调节容量。想象一下，类似于调节路段上车辆最大速度的可变速度限制，控制策略调节自动驾驶汽车沿每个路段的车头时距。我们试图通过直接控制自动驾驶汽车的车头时距来影响车辆的路线选择，以防止类似Braess的意外结果并提高网络效率。我们对混合自主交通网络的动态进行建模，同时考虑车辆的路线选择动态。我们训练一个RL策略，学习调节自动驾驶汽车的车头时距，使网络中的总行驶时间最小化。我们将经验表明，我们的训练政策，不仅可以防止Braess一样的低效率，但也减少了总的旅行时间。
2023-03-07 cs.SY eess.SY
Enforcing Cooperative Safety for Reinforcement Learning-based Mixed-Autonomy Platoon Control
针对混合自主队列控制中MARL缺乏理论安全保证、未探索协同安全及假设不切实际的问题，提出一种集成协同CBF、可微QP层和保形预测模块的安全MARL框架，有效提升了系统级安全性。
2024-11-15 cs.SY eess.SY
A Unified Toll Lane Framework for Autonomous and High-Occupancy Vehicles in Interactive Mixed Autonomy
本文提出一种统一收费车道框架，通过引入“移动度”概念分析自动驾驶与高乘载车辆混合交通流的车道选择均衡，并提出减少总延迟的收费算法，为交通管理及自动驾驶融入提供见解。
2024-03-20 cs.GT cs.SY eess.SY
Safety-Critical Traffic Control by Connected Automated Vehicles
针对混合自主交通中CAV纵向控制的安全问题，本文提出结合控制屏障函数与二次规划的安全关键交通控制策略，采用状态观测器应对信息缺失，仿真验证其可实现串稳定且可证明安全的交通控制。
2023-01-12 cs.SY eess.SY
On Socially Optimal Traffic Flow in the Presence of Random Users
Indian Institute of Technology Kanpur（印度坎普尔理工学院）
本文研究了在随机用户存在下如何通过在线方法确定社会最优交通流，提出了一种基于Frank-Wolfe算法的随机算法，并通过仿真验证了其有效性。
2018-10-18 cs.SY eess.SY
Stabilizing Traffic via Autonomous Vehicles: A Continuum Mean Field Game Approach
本文基于连续介质交通流模型，利用平均场博弈对自动驾驶车辆建模，通过线性稳定性分析和数值实验证明自动驾驶车辆能稳定交通，并量化了渗透率与控制器设计的影响。
2020-01-22 cs.SY eess.SY math.OC
Optimal Control of ODE Car-Following Models: Applications to Mixed-Autonomy Platoon Control via Coupled Autonomous Vehicles
本文研究混合自主车队的最优控制以平滑交通流，建立含状态与控制约束的非线性ODE模型，证明解的存在性，并提出基于伴随法和罚函数的梯度下降算法，通过多场景实验验证其有效性。
2025-08-26 cs.SY eess.SY math.OC
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
IA Planner: Motion Planning Using Instantaneous Analysis for Autonomous Vehicle in the Dense Dynamic Scenarios on Highways
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；University of Chinese Academy of Sciences（中国科学院大学）
在密集、动态的场景中，当交通参与者高速行驶时，规划一条安全舒适的轨迹充满挑战。经典的图搜索和采样方法首先进行路径规划，然后配置相应的速度，这缺乏一个策略来处理高速障碍。解耦优化方法分别在S-L域和S-T域进行运动规划。这些方法需要大的自由配置空间来规划车道变换轨迹。在密集的动态场景中，很容易造成轨迹规划失败，被他人切入，造成行驶速度缓慢，带来安全隐患。在时空域上分析了碰撞关系，提出了一种同时只分析碰撞关系的瞬时分析模型。该模型将三维时空域中的无碰撞约束投影到二维空间域，去除了冗余约束，降低了计算复杂性。实验结果表明，该方法能够在密集动态场景下规划出安全舒适的换道轨迹。同时，它提高了交通效率，增加了乘坐舒适性。
2021-03-19 cs.AI cs.RO cs.SY
Interaction-Aware Trajectory Prediction and Planning in Dense Highway Traffic using Distributed Model Predictive Control
Chalmers University of Technology（查尔姆斯理工大学）
针对密集交通中自动驾驶车辆的最优轨迹规划问题，提出一种结合分布式模型预测控制、耦合多智能体环境下轨迹预测与规划的新型框架，经仿真验证，其局部最优解优于解耦的预测规划方法。
2023-08-24 cs.RO cs.SY eess.SY
Reinforcement Learning based Negotiation-aware Motion Planning of Autonomous Vehicles
Noah’s Ark Lab, Huawei Technologies（华为技术有限公司诺亚方舟实验室）
对于与人类交通参与者集成到道路上的自动驾驶车辆，它需要通过以可预测的方式响应而无需显式通信来理解和适应参与者的意图和驾驶风格。提出了一种基于强化学习的协商感知运动规划框架，该框架采用强化学习，通过实时的自适应地动态修改运动规划器的预测时域长度来调整规划器的驾驶风格，以适应环境变化的事件，通常由交通参与者具有不同驾驶风格的意图切换触发。该框架将自动驾驶车辆与其他交通参与者之间的交互建模为马尔可夫决策过程。该方法以网格图的时间序列作为RL模块的输入，嵌入隐式意图推理。采用课程学习提高算法的训练效率和鲁棒性。我们应用我们的方法在模拟和现实世界中的窄车道导航证明，所提出的方法优于常见的替代方案，由于其优势，在缓解社会困境问题与适当的谈判技巧。
2021-07-08 cs.RO cs.SY eess.SY
Car-following Models and Congestion Control with Followerstopper on a Ring-Road under Known Delay -- Examining Limit Cycle
AI, Autonomy, Resilience, Control Lab (AARC Lab) Department of Electrical & Computer Engineering The University of Alabama in Huntsville, Huntsville, USA（人工智能、自主性、韧性、控制实验室（AARC实验室）电气与计算机工程系 亚拉巴马大学亨茨维尔分校）
本文研究了在环形道路中使用Followerstopper控制车辆以消除拥堵波并提高交通稳定性，通过模拟展示了已知延迟对交通流的影响。
2025-12-03 cs.RO cs.SY eess.SP
CoTV: Cooperative Control for Traffic Light Signals and Connected Autonomous Vehicles using Deep Reinforcement Learning
University College Dublin（都柏林大学学院）；North China Electric Power University（华北电力大学）
仅以缩短行程时间为目的，并不足以支持未来智慧交通系统的发展。为了与联合国可持续发展目标（UN-SDG）保持一致，还应考虑进一步减少燃料和排放，改善交通安全，以及方便基础设施的部署和维护。与现有的工作集中在交通灯信号（以提高交叉口吞吐量）或车辆速度（以稳定交通）的控制优化不同，本文提出了一种多智能体深度强化学习（DRL）系统CoTV，它可以协同控制交通灯信号和互联自主车辆（CAV）。因此，我们的CoTV可以很好地平衡旅行时间，燃料和排放减少的成就。与此同时，CoTV也可以通过仅与每个引入道路上最靠近交通灯控制器的一个CAV合作来轻松部署。这使得交通灯控制器和CAV之间能够更有效地协调，从而导致传统上难以收敛的大规模多智能体场景下的训练CoTV的收敛。我们给出了详细的系统设计的CoTV，并证明了其有效性，在模拟研究中使用相扑在各种网格地图和现实的城市场景下，混合自主交通。
2023-02-14 cs.AI cs.LG cs.SY
