Cooperative Bidirectional Mixed-Traffic Overtaking
University of Maryland(马里兰大学)
针对双向混合交通中CAVs的安全超车难题,提出一种基于协作通信的控制框架,利用车辆间共享信息减少传感器遮挡影响,并结合局部速度预测,在保证安全和舒适的前提下最大化速度,并通过真实交通仿真验证了性能。
2023-11-14 cs.RO
Toward Cooperative Driving in Mixed Traffic: An Adaptive Potential Game-Based Approach with Field Test Verification
State Key Laboratory of Intelligent Green Vehicle and Mobility, Tsinghua University(智能绿色车辆与移动国家重点实验室,清华大学);State Key Lab of Intelligent Transportation System, School of Transportation Science and Engineering, Beihang University(智能交通运输系统实验室,北京航空航天大学交通科学与工程学院)
本文提出自适应势游戏框架,通过建立系统效用函数、引入Shapley值和动态优化人类驾驶车辆偏好,提升混合交通中的协作安全与效率,实验证实其有效性。
2026-04-22 cs.RO
A Differentiated Reward Method for Reinforcement Learning based Multi-Vehicle Cooperative Decision-Making Algorithms
Tongji University(同济大学)
针对强化学习多车辆协同驾驶样本效率低的问题,提出基于稳态转移系统的差异化奖励方法,将状态转移梯度融入奖励设计,在MAPPO等算法中显著提升训练收敛速度及交通效率、安全性与动作合理性。
2025-08-09 cs.AI cs.MA cs.RO
Real-World Evaluation of two Cooperative Intersection Management Approaches
Institute of Measurement, Control and Microtechnology, Ulm University(测量、控制与微技术研究所,乌尔姆大学);Robert Bosch GmbH, Corporate Research(罗伯特·博世有限公司,企业研究)
本文评估了两种协作交叉口管理方法在现实混合交通中的性能,展示了其在减少穿越时间和停止次数方面的显著效果。
2026-02-01 cs.RO
Generalizing Cooperative Eco-driving via Multi-residual Task Learning
Massachusetts Institute of Technology(麻省理工学院);Toyota InfoTech Labs(丰田信息技术实验室);Toyota Motor North America(丰田北美汽车公司)
针对自动驾驶控制策略泛化难的问题,提出多残差任务学习框架,将控制分解为传统方法求解的标称分量与学习求解的残差项,在近600个交叉口、1200种场景的车队减排任务中验证了其协同DRL与传统方法的泛化优势。
2024-03-07 cs.AI cs.LG cs.MA
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
Facilitating Cooperative and Distributed Multi-Vehicle Lane Change Maneuvers
Department of Mechanical Engineering, University of California-Berkeley, Berkeley, CA 94703 USA(加州大学伯克利分校机械工程系)
针对联网自动驾驶车辆多车变道被动且机会主义的问题,提出基于促进者角色的分布式协调方法,利用分布式MPC路径规划器和协调算法主动协作修改环境,仿真证明其显著提升了多车变道可行性。
2023-03-03 cs.RO cs.SY eess.SY
Graph-based Trajectory Prediction with Cooperative Information
Ulm University(乌尔姆大学);Institute of Measurement, Control and Microtechnology(测量、控制与微技术研究所)
本文提出一种基于图的神经网络架构,利用协作信息提升自动驾驶中复杂交通情境下的轨迹预测性能,并验证了其在有协作数据、无协作数据及数据不准确情况下的有效性。
2023-10-24 cs.CV cs.RO
Real-time Vehicle-to-Vehicle Communication Based Network Cooperative Control System through Distributed Database and Multimodal Perception: Demonstrated in Crossroads
Zhejiang University(浙江大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Michigan(密歇根大学)
本文提出基于V2V通信的网络协同控制系统VVCCS,结合分布式数据库和多模态感知,在Qcar平台上实现宏观交通规划与碰撞避免,并通过十字路口演示验证其在复杂城市环境中的潜力。
2024-10-23 cs.AI cs.RO cs.SY
Cooperative Behavior Planning for Automated Driving using Graph Neural Networks
Robert Bosch GmbH(罗伯特·博世有限公司);Ulm University(乌尔姆大学)
由于静态优先规则和遮挡限制了优先交通的视野,城市交叉口容易出现延误和效率低下。现有的改善交通流的方法,广泛称为自动交叉口管理系统,大多是基于非学习预留方案或优化算法。基于机器学习的技术在规划单个自我车辆方面显示出有希望的结果。本文提出利用机器学习算法,通过多车辆联合规划来优化城市交叉口的交通流。基于学习的行为规划提出了几个挑战,需要合适的输入和输出表示以及大量的地面实况数据。我们解决前一个问题,使用灵活的基于图形的输入表示伴随着一个图神经网络。这允许有效地编码场景,并固有地为所有涉及的车辆提供单独的输出。为了学习一个合理的策略,而不依赖于模仿的专家示范,合作规划任务被认为是一个强化学习问题。我们在自动驾驶决策的开源模拟环境中对所提出的方法进行了训练和评估。相比先进先出的计划和交通由静态优先级规则,学习规划显示出显着的增益流量,同时减少诱导停止的数量。除了合成模拟,该方法还基于从公开可用的inD数据集获取的真实交通数据进行评估。
2022-07-26 cs.LG cs.RO
EI-Drive: A Platform for Cooperative Perception with Realistic Communication Models
University of California, Davis(加州大学戴维斯分校);Johns Hopkins University(约翰斯·霍普金斯大学);data61, CSIRO(联邦科学与工业研究组织数据61中心);Monta Vista High School(蒙塔维斯塔高中)
针对现有协同感知研究未考虑真实传输延迟与误差的问题,研究团队提出基于边缘AI、构建于CARLA框架的EI-Drive仿真平台,纳入真实通信模型,实验验证其可显著提升车辆安全与性能,相关资源已开源。
2024-12-13 cs.CV cs.MA cs.RO
Learning-based social coordination to improve safety and robustness of cooperative autonomous vehicles in mixed traffic
本文提出基于多智能体强化学习的方法,通过量化自动驾驶车辆的社会偏好并引入利他主义,提升其在混合交通中与人类驾驶车辆协作的安全性和鲁棒性。
2022-11-22 cs.LG cs.RO
Cooperative Autonomous Vehicles that Sympathize with Human Drivers
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)
在开发出使这些智能代理与人类共存的解决方案之前,自动驾驶汽车的广泛采用不会成为现实。这包括安全有效地与人类驾驶的车辆进行交互,特别是在冲突和竞争的情况下。我们建立在先前关于社会意识导航的工作基础上,并从心理学中借用社会价值取向的概念-正式确定一个人对他人福利的重视程度-以诱导自动驾驶中的利他行为。与现有的明确模拟人类驾驶员的行为,并依赖于他们的预期反应,以创造合作的机会,我们的同情合作驾驶(SymCoDrive)范式培训利他代理,实现安全和顺畅的交通流在竞争激烈的驾驶场景中,只有从经验学习,没有任何明确的协调。我们证明了显着的改善,在安全和交通水平的指标,作为这种利他主义的行为的结果,并得出重要的结论,利他主义的代理水平需要适当的调整,因为代理太利他主义也导致次优的交通流量。代码和补充材料可在以下网址获得:https://symcodrive.toghi.net/
2021-07-02 cs.RO
Robustness and Adaptability of Reinforcement Learning based Cooperative Autonomous Driving in Mixed-autonomy Traffic
University of California, Santa Barbara(加利福尼亚大学圣巴巴拉分校)
本文提出了一种基于多智能体强化学习的方法,用于提高自动驾驶车辆在混合自主交通环境中的鲁棒性和适应性,通过隐式学习人类驾驶行为以优化社会效用和安全性能。
2022-02-02 cs.LG cs.RO
CoPEM: Cooperative Perception Error Models for Autonomous Driving
Nanyang Technological University(南洋理工大学);TU Delft(代尔夫特理工大学)
在本文中,我们引入了协作感知错误模型(coPEMs)的概念,以实现虚拟测试环境中V2X解决方案的有效集成。我们的重点是我们的分析上的遮挡问题(车载)感知的自动驾驶汽车(AV),这可能表现为误检测错误的被遮挡的对象。基于车对万物(V2X)通信的协作感知(CP)解决方案旨在通过协作利用AV周围世界的额外视角来避免此类问题。这种方法通常需要在环境中同时部署许多传感器,主要是摄像头和激光雷达,作为道路基础设施的一部分或其他交通车辆。然而,在虚拟仿真流水线中实现大量传感器模型通常在计算上昂贵得令人望而却步。因此,在本文中,我们依赖于扩展感知误差模型(PEM),以有效地实现这种合作的感知解决方案以及与之相关的错误和不确定性。我们证明了这种方法通过比较的安全性,实现了一个AV的挑战与交通情况下,闭塞是潜在的碰撞的主要原因。
2022-11-22 cs.AI cs.RO
MAPPO-PIS: A Multi-Agent Proximal Policy Optimization Method with Prior Intent Sharing for CAVs' Cooperative Decision-Making
Tongji University(同济大学)
针对人机混合交通中CAVs协同决策的挑战,本文提出MAPPO-PIS方法,通过意图生成模块与安全增强模块实现多智能体强化学习下的先验意图共享,显著提升了决策的安全性、效率及整体交通性能。
2024-08-26 cs.RO
Communication-Aware Reinforcement Learning for Cooperative Adaptive Cruise Control
McGill University(麦吉尔大学);University of Minnesota(明尼苏达大学)
针对多智能体强化学习在协同自适应巡航控制中因车辆增减导致的可扩展性差问题,提出含前后向信息传输模块的通信感知强化学习方法,实现高效信息传播与策略一致,在多场景下性能优于基线。
2024-07-12 cs.LG cs.RO
Automatic Intersection Management in Mixed Traffic Using Reinforcement Learning and Graph Neural Networks
Robert Bosch GmbH(罗伯特·博世有限公司);Ulm University(乌尔姆大学)
本研究提出基于强化学习和图场景表示的协作多智能体规划方法,用于解决混合交通中的自动交叉口管理问题,显著提升了车辆通行量并减少了交互延误。
2023-07-28 cs.LG cs.RO
Dual-Interaction-Aware Cooperative Control Strategy for Alleviating Mixed Traffic Congestion
Tianjin Key Laboratory of Intelligent Unmanned Swarm Technology and System, School of Electrical and Information Engineering, Tianjin University(天津智能无人群技术与系统重点实验室,电气与信息工程学院,天津大学);School of Mechanical and Aerospace Engineering, Nanyang Technological University(机械与航空航天工程学院,南洋理工大学);Shenzhen Institute for Advanced Study, University of Electronic Science and Technology of China(深圳高等研究院,电子科学与技术大学)
本文提出双交互感知协同控制策略,通过去中心化决策模块、集中化批评者和奖励设计,提升混合交通瓶颈场景下的交通效率和适应性。
2026-03-04 cs.MA cs.RO cs.SY
A Cooperative Perception Environment for Traffic Operations and Control
Purdue University(普渡大学);Saline High School(萨林高中);University of Michigan(密歇根大学)
现有的用于交通操作和控制的数据汇集方法通常依赖于基于基础设施的环路检测器或探测车辆轨迹。互联和自动驾驶车辆(CAV)不仅可以报告有关自身的数据,还可以提供所有检测到的周围车辆的状态。集成来自多个CAV以及基础设施传感器的感知数据(例如,LiDAR)即使在非常低的渗透率下也可以提供更丰富的信息。本文旨在开发一个协同数据汇集系统,该系统集成了来自基础设施和CAV的激光雷达点云数据,为各种交通应用创建一个协同感知环境。最先进的3D检测模型被应用于检测合并点云中的车辆。在CARLA和SUMO的联合仿真平台上,我们使用最大压力自适应信号控制模型对所提出的协同感知环境进行了测试。结果表明,CAV加上基础设施传感器的渗透率非常低,足以实现与30%或更高的联网车辆(CV)渗透率相当的性能。我们还展示了不同CAV渗透率下的等效CV渗透率(E-CVPR),以证明协同感知环境的数据汇集效率。
2022-08-04 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
HCOMC: A Hierarchical Cooperative On-Ramp Merging Control Framework in Mixed Traffic Environment on Two-Lane Highways
针对混合交通流,本文提出HCOMC分层协作匝道汇入控制框架,结合改进虚拟车辆模型、博弈论换道与多目标优化,显著提升了汇入过程的安全性与交通效率。
2025-07-15 cs.AI cs.RO cs.SY
Applying systems-theoretic process analysis in the context of cooperative driving
KTH(皇家理工学院)
高度自动化的协同驾驶车辆将使交通流量更加流畅,从而实现更高效、更环保和更安全的交通状况。然而,汽车行业是安全关键,目前的安全标准不是为了处理合作驾驶而设计的。在本文中,我们应用现代安全分析方法,系统理论过程分析,在合作驾驶的背景下,作为大合作驾驶挑战赛(GCDC)的一部分,并提出我们的思考方法。
2019-12-04 cs.RO cs.SY eess.SY
GAMEOPT+: Improving Fuel Efficiency in Unregulated Heterogeneous Traffic Intersections via Optimal Multi-agent Cooperative Control
Nokia Bell Labs(诺基亚贝尔实验室);The University of Texas at Austin(德克萨斯大学奥斯汀分校);University of Maryland(马里兰大学)
GameOpt+结合拍卖机制与优化轨迹规划,实现无信号异构交叉口的多智能体协同控制,在高速高密度下实时决策,显著提升吞吐量、降低延误与油耗,且对不平衡车流鲁棒。
2024-05-26 cs.MA cs.RO
Trust-MARL: Trust-Based Multi-Agent Reinforcement Learning Framework for Cooperative On-Ramp Merging Control in Heterogeneous Traffic Flow
Tsinghua University(清华大学);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
针对异构交通中匝道汇入协同难题,提出基于信任的多智能体强化学习框架Trust-MARL,通过宏观群体协同与微观动态信任机制及博弈决策模块,提升了不同场景下的交通安全性、效率与适应性。
2025-06-14 cs.AI cs.ET cs.GT
Interactive Trajectory Planner for Mandatory Lane Changing in Dense Non-Cooperative Traffic
Northwestern University(西北大学)
当交通流非常拥挤且周围车辆不配合时,强制变道可能非常困难。在这项工作中,我们提出了一个互动的轨迹规划,这将首先尝试改变车道,只要确保安全。基于滚动时域规划,本车可以根据周围车辆的反应中止或继续变道。我们展示了我们的规划器在广泛的模拟与周围的车辆,初始速度范围从0.5至5米每秒,保险杠到保险杠的间隙范围从4到10米。自我车辆与我们的规划器可以改变车道安全和顺利。在大多数情况下,在1.8GHz Intel Core i7- 10610 U的笔记本电脑上,规划器每一步的计算时间都在10毫秒以内。
2023-03-04 cs.RO
Accelerating Cooperative Planning for Automated Vehicles with Learned Heuristics and Monte Carlo Tree Search
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);FZI Research Center for Information Technology(FZI信息技术研究中心)
城市交通场景中的高效驾驶需要远见。其他交通参与者的观察和推断他们可能的下一步行动取决于自己的行动被认为是合作预测和规划。人类已经具备了预测多个交互的交通参与者的行为并相应地进行规划的能力,而无需直接与他人进行通信。以前的工作表明,它是可能实现有效的合作规划,而不需要明确的沟通。然而,合作计划的搜索空间如此之大,以至于大部分计算预算都花在探索远离解的无希望区域中的搜索空间上。为了加速规划过程,我们将学习的策略与合作规划方法相结合,以引导搜索具有有希望的行动的区域,以较低的计算成本获得更好的解决方案。
2020-05-22 cs.LG cs.MA cs.RO
Real-time Cooperative Vehicle Coordination at Unsignalized Road Intersections
无信号交叉口的协同协调,旨在提高互联和自动化车辆的行驶安全性和交通吞吐量,近年来引起了越来越多的关注。然而,大多数现有的调查要么受到计算复杂性的影响,要么无法充分利用道路基础设施的潜力。为此,我们首先提出了一个专用的交叉口协调框架,其中所涉及的车辆移交其控制权限,并遵循中央协调员的指示。然后,将制定一个统一的合作轨迹优化问题,以最大限度地提高交通吞吐量,同时确保驾驶安全和长期稳定的协调系统。为了解决现实世界部署中的关键计算挑战,我们将这个非凸顺序决策问题重新表达为无模型的马尔可夫决策过程(MDP),并通过在深度强化学习(DRL)框架中设计基于双延迟深度确定性策略梯度(TD 3)的策略来解决它。仿真和实际实验表明,该策略在亚静态协调场景下可以获得接近最优的性能,在现实连续业务流中可以显著提高业务吞吐量。最显著的优点是,我们的策略可以降低计算的时间复杂度为毫秒,并显示出可扩展的道路车道增加。
2023-03-22 cs.AI cs.RO cs.SY
Impact of Information Flow Topology on Safety of Tightly-coupled Connected and Automated Vehicle Platoons Utilizing Stochastic Control
Univ. of Georgia(佐治亚大学);Univ. of Central Florida(中佛罗里达大学)
通过车联网(V2X)通信实现的协同驾驶有望为交通系统的安全和效率做出重大贡献。协同自适应巡航控制(CACC)是一种重要的协同驾驶应用,近年来已成为许多研究的主题。使用CACC的主要动机是减少交通拥堵,提高交通流量、交通吞吐量和公路通行能力。由于协同车辆之间的信息流可以显着影响一个队列的动态,控制组件的设计和性能是紧密依赖于通信组件的性能。此外,信息流拓扑(IFT)的选择可以影响某些排属性,如稳定性和可扩展性。虽然通过使用V2X通信可以将协作车辆感知扩展到多个前驱信息,但是通信技术仍然存在可扩展性问题。因此,合作的车辆需要预测对方的行为,以补偿非理想的通信的影响。提出了基于模型的通信(MBC)的概念,通过引入一种新的灵活的内容结构来广播联合车辆动态/驾驶员行为模型,以增强非理想通信下的协作车辆感知。通过利用非参数(贝叶斯)建模方案,即,高斯过程回归(GPR),和MBC的概念,本文开发了一种离散的混合随机模型预测控制的方法,并检查通信损耗和不同的信息流拓扑结构的性能和安全的排的影响。结果表明,使用更多的车辆信息,在响应时间和安全性方面有所改善,验证了合作的潜力,以减少干扰,提高交通流量和安全性。
2022-03-29 cs.RO cs.SY eess.SY
Learning Reward Models for Cooperative Trajectory Planning with Inverse Reinforcement Learning and Monte Carlo Tree Search
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);Robert Bosch GmbH(罗伯特·博世有限公司)
自动驾驶车辆的协同轨迹规划方法可以解决需要交通参与者之间高度合作的交通场景。然而,为了使协作系统集成到以人为中心的交通中,自动化系统必须表现得像人类一样,以便人类可以预测系统的决策。虽然强化学习在解决决策部分方面取得了显着进展,但参数化产生可预测行为的奖励模型并非易事。这项工作采用基于特征的最大熵逆强化学习结合蒙特卡罗树搜索学习奖励模型,最大限度地提高记录的多智能体合作专家轨迹的可能性。评估表明,该方法可以恢复一个合理的奖励模型,模仿专家和执行类似的手动调整基线奖励模型。
2022-05-06 cs.LG cs.RO
Cooperative Energy and Time-Optimal Lane Change Maneuvers with Minimal Highway Traffic Disruption
Boston University(波士顿大学);Honda Research Institute-US (HRI-US)(美国本田研究院(HRI-US))
我们推导出最优控制政策连接自动驾驶汽车(CAV)和合作的邻居CAV进行变道机动组成的纵向阶段,其中CAV正确定位自己相对于合作的邻居和横向阶段,它安全地改变车道。在这个问题上,在CAV的“自私”只寻求最小化其机动时间,我们试图确保快速车道的交通流被最小限度地破坏(通过一个适当定义的度量)以前的工作。此外,当进行变道机动,我们最佳地选择合作的车辆从一组可行的相邻车辆和实验表明,高速公路的吞吐量相比,人类驾驶的车辆改变车道没有合作的基线情况下,提高。当可行的解决方案不存在一个给定的最大允许中断,我们包括一个时间松弛的方法权衡了较长的机动时间减少中断。我们的分析也扩展到多个连续机动。仿真结果表明,我们的控制器的有效性,在安全保证和高达16%和90%的平均吞吐量和机动时间的改善相比,没有合作的机动。
2022-11-16 cs.RO cs.SY eess.SY
Characterizing Lane-Changing Behavior in Mixed Traffic
Department of Civil and Environmental Engineering, University of Illinois at Urbana-Champaign(土木与环境工程系,伊利诺伊大学厄巴纳-香槟分校);Department of Civil and Environmental Engineering, George Washington University(土木与环境工程系,乔治·华盛顿大学)
本研究通过博弈论框架分析混合交通中车道变换行为,揭示社会困境的存在及合作行为随时间的演变。
2025-12-08 cs.GT cs.MA cs.RO
Decentralized Cooperative Planning for Automated Vehicles with Continuous Monte Carlo Tree Search
FZI Research Center for Information Technology(FZI信息技术研究中心);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
城市交通场景通常需要交通参与者之间的高度合作,以确保安全和效率。通过观察他人的行为,人类可以推断出他人是否在合作。这项工作旨在扩展自动驾驶汽车的能力,使它们能够在异构环境中进行隐式合作。连续的行动允许任意的轨迹,因此适用于更广泛的一类问题比现有的合作方法与离散的行动空间。蒙特卡罗树搜索(MCTS)结合解耦UCT,基于其他智能体的合作建模,以合作和分散的方式评估每个智能体的行动值,尊重交通参与者之间的相互依赖性。连续动作空间的扩展是通过将新的MCTS特定的增强有效的搜索空间探索。在不同的场景下对该算法进行了评估,结果表明该算法能够实现有效的协同规划,并生成自我中心规划无法识别的解。
2018-09-10 cs.AI cs.RO
Cooperative Robotics Reinforced by Collective Perception for Traffic Moderation
Karlsruhe Institute of Technology, Karlsruhe, Germany(卡尔斯鲁厄理工学院,德国卡尔斯鲁厄);Halmstad University, Halmstad, Sweden(哈马格大学,瑞典哈马格)
本文提出一种结合集体感知与协作机器人的交通调节系统,通过机器人主动干预防止非视线交口的碰撞风险,实验证明其在现实非视线条件下有效检测车辆并预防危险合并。
2026-05-12 cs.AI cs.ET cs.RO
Performance Comparison of Deep RL Algorithms for Mixed Traffic Cooperative Lane-Changing
Delft University of Technology(代尔夫特理工大学)
本文比较了DDPG、TD3、SAC和PPO四种深度强化学习算法在混合交通协同换道中的性能,发现PPO在安全性、效率、舒适性和生态性方面表现最优,从而增强了CLCMT机制在CAV换道规划中的优势。
2024-06-25 cs.AI cs.LG cs.RO
Mesoscale Traffic Forecasting for Real-Time Bottleneck and Shockwave Prediction
University of California, Berkeley(加州大学伯克利分校);Mines Paris, PSL University(巴黎矿业学院(PSL大学));Valeo Driving Assistant Research(法雷奥驾驶辅助研究中心)
针对CIRCLES项目中数据源延迟及实时交通状态估计需求,提出融合空间自注意力与LSTM的SA-LSTM及其n-step多步扩展,在中观交通预测中实现先进性能。
2024-03-04 cs.AI cs.LG cs.RO
INTERACTION Dataset: An INTERnational, Adversarial and Cooperative moTION Dataset in Interactive Driving Scenarios with Semantic Maps
University of California, Berkeley(加州大学伯克利分校);Xi’an Jiaotong University(西安交通大学);Harbin Institute of Technology(哈尔滨工业大学);MINES ParisTech(巴黎高等矿业学院);FZI Research Center for Information Technology(FZI信息技术研究中心);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
行为相关的研究领域,如运动预测/规划,表示/模仿学习,行为建模/生成和算法测试,需要高质量的运动数据集的支持,包含不同的驾驶文化的交互式驾驶场景。在本文中,我们提出了一个国际,对抗和合作的运动数据集(互动数据集)在交互式驾驶场景与语义地图。突出显示了数据集的五个特征。1)交互式驾驶场景多样,包括城市/高速公路/匝道并道和变道、带让行/停车标志的环形交叉口、信号交叉口、带单向/双向/全向停车的交叉口等。2)收集来自不同国家和不同大洲的运动数据,自然包含不同文化的驾驶偏好和风格。3)驾驶行为是高度互动和复杂的对抗和合作的各种交通参与者的运动。高度复杂的行为,如谈判,侵略性/非理性的决定和交通规则违反密集包含在数据集中,而常规行为也可以从谨慎的跟车,停止,左/右/U-转弯到合理的车道变化和骑自行车和行人过马路等。真正的碰撞,虽然相对轻微,也包括在内。5)具有完整语义信息的地图提供了物理层、参考线、车道连接和交通规则。这些数据来自无人机和交通摄像头。还提供了实体数量和交互密度方面的数据集统计数据,以及在各种行为相关研究领域的一些利用实例。数据集可以通过https://interaction-dataset.com下载。
2019-09-30 cs.CV cs.LG cs.RO
RCooper: A Real-world Large-scale Dataset for Roadside Cooperative Perception
Institute for AI Industry Research (AIR), Tsinghua University(清华大学人工智能产业研究院(AIR));China Automotive Innovation Corporation(中国汽车创新公司);The University of Hong Kong(香港大学)
本文发布首个真实世界大规模路侧协同感知数据集RCooper,包含5万图像和3万点云及检测跟踪基准,证明协同感知有效性并推动该领域研究。
2024-03-31 cs.CV cs.RO