Driving Tasks Transfer in Deep Reinforcement Learning for Decision-making of Autonomous Vehicles
Chongqing University（重庆大学）；University of Waterloo（滑铁卢大学）
知识转移是实现自动驾驶汽车实时决策的一个很有前途的概念。本文构建了一个迁移深度强化学习框架，用于跨路段环境下驾驶任务的迁移。自动驾驶汽车在无信号交叉口的行驶任务分为左转、右转和直行。自主车辆（AEV）的目标是高效、安全地通过交叉口。这一目标促使研究车辆提高速度，避免碰撞其他车辆。从一个驾驶任务中学习到的决策策略在另一个驾驶任务中进行传递和评估。仿真结果表明，与相似任务相关的决策策略是可传递的。结果表明，所提出的控制框架可以减少时间消耗，实现在线实施.
2020-10-10 cs.AI cs.LG
Multi-Vehicle Mixed-Reality Reinforcement Learning for Autonomous Multi-Lane Driving
University of Cambridge（剑桥大学）
自动驾驶有望改变道路交通。然而，多车辆和多车道的情况下，提出了独特的挑战，由于受约束的导航和不可预测的车辆相互作用。基于学习的方法--例如深度强化学习--正在成为自动设计智能驾驶策略的一种有前途的方法，可以应对这些挑战。然而，安全地学习多车辆驾驶行为的过程是困难的：虽然碰撞-及其接近避免-对于学习过程至关重要，但直接对自动驾驶车辆执行不成熟的政策会引起相当大的安全问题。在本文中，我们提出了一个安全有效的框架，可以学习在共享工作空间中运行的自动驾驶车辆的驾驶策略，在这种情况下，无法保证没有碰撞。我们的学习过程的关键是一个sim 2 real的方法，使用现实世界的在线政策适应在混合现实设置，其中其他车辆和静态障碍物存在于虚拟域。这使我们能够通过模拟学习代理与虚拟现实中的其他对象之间的碰撞（并从中学习）来执行安全学习。我们的研究结果表明，在混合现实中运行几次后，碰撞显着减少。
2020-02-10 cs.AI cs.LG cs.MA
MVAdapt: Zero-Shot Multi-Vehicle Adaptation for End-to-End Autonomous Driving
Interdisciplinary Program in AI, Seoul National University（人工智能交叉学科项目，首尔国立大学）
MVAdapt通过结合冻结的TransFuser++场景编码器和轻量级物理编码器，提出了一种基于物理条件的多车辆端到端自动驾驶适应框架，实现了对不同车辆的零样本转移和少量样本校准。
2026-04-13 cs.AI 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
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
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
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
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
Dueling Deep Q Network for Highway Decision Making in Autonomous Vehicles: A Case Study
College of Automotive Engineering, Chongqing University（重庆大学汽车工程学院）；School of Vehicle and Mobility, Tsinghua University（清华大学车辆与 mobility学院）；University of Waterloo（滑铁卢大学）
本文利用深度强化学习（DRL）优化自动驾驶汽车的高速公路决策策略。首先，构建公路驾驶环境，其中包括本车、周围车辆和道路车道。然后将自动驾驶汽车的超车决策问题转化为一个最优控制问题。然后阐述了相关的控制动作、状态变量和优化目标。最后，深度Q网络被应用于获得自我车辆的智能驾驶策略。仿真结果表明，经过学习和训练后，自主车辆能够安全、高效地完成驾驶任务。
2020-07-16 cs.AI cs.LG
Autonomous Vehicle Decision-Making Framework for Considering Malicious Behavior at Unsignalized Intersections
Shandong University of Science and Technology（山东科技大学）
本文提出一种基于Q-learning的自动驾驶车辆决策框架，通过引入一阶心智理论推断和可变安全权重参数，提升车辆在无信号交叉口应对恶意行为时的安全性与效率，并经Prescan/Simulink仿真验证有效。
2024-09-11 cs.LG cs.RO
Autonomous Algorithm for Training Autonomous Vehicles with Minimal Human Intervention
Ajou University（明知大学）；Seoul National University（首尔大学）；ThorDrive Co., Ltd.（ThorDrive有限公司）
针对真实世界强化学习训练自动驾驶车辆需频繁人工重置环境导致效率低的问题，提出一种自主算法，通过中止危险轮次、选取有价值初始状态、借助规则算法安全回位，实现少人工干预下的有竞争力驾驶性能。
2025-01-16 cs.LG cs.RO
Interpretable Safety Validation for Autonomous Vehicles
自动驾驶的一个开放性问题是如何在仿真中验证自动驾驶车辆的安全性。自动化测试程序可以发现自主系统的故障，但这些故障可能由于其高维性而难以解释，并且可能不太可能以至于不重要。这项工作描述了一种方法，用于找到自治系统的可解释的故障。故障由人可以理解的信号时序逻辑表达式描述，并且被优化以产生具有高可能性的故障。我们的方法证明了自动驾驶汽车的安全验证的背景下，无保护的左转和人行横道与行人。与基线重要性采样方法相比，我们的方法发现了更多的故障，具有更高的可能性，同时保持可解释性。
2020-06-26 cs.LG cs.RO stat.ML
Decision-making at Unsignalized Intersection for Autonomous Vehicles: Left-turn Maneuver with Deep Reinforcement Learning
Chongqing University（重庆大学）；Chongqing University Three Gorges Hospital（重庆大学三峡医院）
决策模块使自主车辆能够在复杂的城市环境中，特别是在交叉路口的情况下达到适当的机动。提出了一种基于深度强化学习（DRL）的无人驾驶汽车无信号交叉口左转决策框架。研究的目标是在一个四向无信号交叉口的自动车辆进行高效和安全的左转机动。已开发的DRL方法包括深度Q学习（DQL）和双DQL。仿真结果表明，该决策策略能有效降低碰撞率，提高传输效率。本研究亦显示所建构之左转控制结构具有良好之即时性。
2022-12-21 cs.AI cs.LG
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
Gradient Policy on "CartPole" game and its' expansibility to F1Tenth Autonomous Vehicles
Trinity College Dublin（都柏林圣三一学院）；College Green（学院绿地）
策略梯度是一种有效的方法来估计对环境的持续行动。本文详细介绍了该算法的数学公式和代码实现.最后，将CartPole上的摇杆旋转角度与Autonomous车辆转弯时的角度进行比较，并利用Bicycle Model这一简单的Kinematic动力学模型，找出两者之间的相似性，以便将CartPole模型移植到F1tenth Autonomous车辆上。
2021-03-15 cs.AI cs.RO cs.SY
Assessing behaviour coverage in a multi-agent system simulation for autonomous vehicle testing
University of Bristol（布里斯托大学）
本研究提出了一种基于模型预测控制的行人智能体，用于评估多智能体系统模拟在自动驾驶测试中的行为覆盖率，以提升系统安全性和可靠性。
2025-12-29 cs.LG cs.MA 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
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
Formal Verification of Autonomous Vehicle Platooning
University of Sheffield（谢菲尔德大学）
预计在不久的将来，我们的高速公路上将有多辆自动驾驶汽车组成车队或车队。然而，在部署这样的车队之前，必须对这些车队中车辆的新自主行为进行认证。车辆排队的一个适当的表示是作为一个多智能体系统，其中每个代理捕获的“自主决策”进行的每辆车。为了保证车辆队列中的自主决策智能体不违反安全要求，我们使用了形式化验证。然而，由于用于验证代理代码的形式化验证技术不能扩展到整个系统，并且由于全局验证技术不能捕获自治行为的基本验证，因此我们使用两种方法的组合。这种混合策略使我们不仅可以验证系统模型的安全要求，还可以验证用于对自动驾驶汽车进行编程的实际代理代码的安全要求。
2016-02-04 cs.AI cs.SE
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
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
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
Estimating Risk Levels of Driving Scenarios through Analysis of Driving Styles for Autonomous Vehicles
University of Science and Technology of China（中国科学技术大学）；Carnegie Mellon University（卡内基梅隆大学）
为了在道路上安全行驶，自动驾驶汽车不仅需要能够识别前方的物体，还需要能够自动估计前方物体的风险等级。很明显，不同的物体对自动驾驶汽车的危险程度不同。自动驾驶汽车需要一个评估系统来自动确定物体的危险程度。如果系统完全由人来定义，那就太主观，太不完整了。在此基础上，提出了一种基于非参数贝叶斯学习方法的框架--粘性层次狄利克雷过程隐马尔可夫模型（sticky HDP-HMM），并发现了驾驶场景与驾驶风格之间的关系。我们使用自动驾驶汽车的驾驶风格的分析，以反映驾驶场景的车辆的风险水平。在该框架中，首先使用粘性HDP-HMM从数据集中提取驾驶风格，得到不同的聚类，然后提出一个评价体系对聚类的紧急程度进行评价和排序。最后，我们将驾驶场景映射到排名结果，从而得到不同风险级别的驾驶场景聚类。更重要的是，我们发现驾驶场景和驾驶风格之间的关系。实验结果表明，该框架能够对不同紧急程度的驾驶风格进行聚类和排序，发现驾驶场景与驾驶风格之间的关系，得出的结论也符合人们的驾驶常识。此外，该框架可用于自动驾驶汽车，以估计驾驶场景的风险水平，并帮助他们做出准确和安全的决策。
2019-04-23 cs.HC cs.RO
Optimal Trajectory Generation for Autonomous Vehicles Under Centripetal Acceleration Constraints for In-lane Driving Scenarios
本文提出了一种新的方法，生成最佳轨迹的自动驾驶车辆在车道内行驶的情况下。该方法使用两阶段优化过程来计算轨迹。在第一阶段，优化过程产生一个封闭形式的驾驶指导线与可重构的曲率。在第二阶段，该程序以行驶引导线为输入，输出车辆沿引导线行驶的动态可行、加加速度和时间最优轨迹。该方法对于在弯曲道路上生成轨迹特别有用，其中车辆需要施加频繁的加速和减速以适应向心加速度限制。
2021-12-03 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
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
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
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
Improving benchmarks for autonomous vehicles testing using synthetically generated images
AGH University of Technology（AGH科技大学）
如今，自主技术是一个非常深入的探索领域，特别是计算机视觉作为车辆感知的主要组成部分。整个神经网络视觉系统的质量依赖于训练数据集，而世界上大多数国家的交通标志数据集都很难找到。这意味着来自美国的自动驾驶汽车将无法在立陶宛行驶，无法识别沿途的所有路标。在本文中，我们提出了一个解决方案，如何更新模型使用一个小的数据集，从国家的车辆将被用于。值得一提的是，这不是灵丹妙药，而是小规模的升级，可以促进数据访问有限的国家的自动驾驶汽车发展。我们实现了约10%的质量提高，并期望在未来的实验中取得更好的结果。
2019-04-23 cs.CV cs.LG 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
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
Clustering of Driving Encounter Scenarios Using Connected Vehicle Trajectories
Carnegie Mellon University（卡内基梅隆大学）；University of Michigan（密歇根大学）
多车辆交互行为分类和分析提供了深入的知识，为自动驾驶车辆做出有效的决策。本文的目的是聚类的驾驶遭遇的情况下，仅基于多车辆GPS轨迹的范围广泛。为此，我们提出了一个通用的无监督学习框架，包括两层：特征表示层和聚类层。在特征表示层中，我们将深度自动编码器与基于距离的度量相结合，将驾驶遭遇的顺序观察映射到一个计算上易于处理的空间中，该空间允许量化两辆车的时空交互特征。聚类算法，然后应用到所提取的表示收集同质的驾驶遇到成组。我们提出的通用框架，然后使用2,568自然驾驶遭遇进行评估。实验结果表明，我们提出的通用框架结合无监督学习可以聚类多轨迹数据到不同的群体。这些聚类结果可以为自主车辆的决策分析和设计提供参考。
2019-03-16 cs.RO
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
SMET: Scenario-based Metamorphic Testing for Autonomous Driving Models
为了提高自动驾驶模型的安全性和鲁棒性，提出了一种基于XML的自动驾驶模型变形测试工具SMET。将变形关系划分为时间、空间和事件三个维度，并通过两类不同输出的自动驾驶模型实例验证了该工具的有效性，实验结果表明，该工具能够很好地检测出自动驾驶模型的潜在缺陷，复杂场景比简单场景更有效.
2021-04-08 cs.RO
COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked Vehicles
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）；Stanford University（斯坦福大学）
用于自动驾驶车辆的光学传感器和学习算法在过去几年中取得了巨大的进步。尽管如此，当今自动驾驶汽车的可靠性受到有限的视线传感能力和处理极端情况的数据驱动方法的脆弱性的阻碍。随着通信技术的发展，车对车通信的协同感知已经成为一种很有前途的范例，以加强在危险或紧急情况下的自动驾驶。我们引入了COOPERNAUT，这是一种端到端的学习模型，它使用跨车辆感知进行基于视觉的协作驾驶。我们的模型将LiDAR信息编码为紧凑的基于点的表示，这些表示可以通过真实的无线信道在车辆之间作为消息传输。为了评估我们的模型，我们开发了AutoCastSim，这是一个网络增强的驾驶模拟框架，其中包含易发生事故的场景。我们在AutoCastSim上的实验表明，我们的合作感知驾驶模型在这些具有挑战性的驾驶情况下比以自我为中心的驾驶模型平均成功率提高了40%，并且比以前的工作V2VNet的带宽要求小5倍。COOPERNAUT和AUTOCASTSIM可在https://ut-austin-rpl.github.io/Coopernaut/上找到。
2022-05-04 cs.CV cs.RO
Bringing Diversity to Autonomous Vehicles: An Interpretable Multi-vehicle Decision-making and Planning Framework
Shanghai AI Laboratory（上海人工智能实验室）
随着自动驾驶的发展，自动驾驶车辆（AV）和人类驾驶车辆（HV）在同一道路上行驶变得越来越普遍。现有的单车规划算法很难处理现实世界中复杂的社交互动。通过这些方法做出的决定对人类来说很难理解，增加了撞车的风险，使它们不太可能在实践中应用。此外，开源交通模拟器产生的车辆流过于保守，缺乏行为多样性。我们提出了一个分层的多车辆决策和规划框架，有几个优点。该框架共同为流内的所有车辆做出决策，并通过高频规划模块对动态环境做出迅速反应。决策模块产生可解释的动作序列，这些动作序列可以明确地将自我意图传达给周围的HV。我们还提出了合作因子和轨迹权重集，在社会和个人层面上为交通中的自动驾驶车辆带来多样性。我们提出的框架的优越性进行了验证，通过多个场景的实验，并通过闭环仿真所产生的车辆轨迹中的各种行为。
2023-02-14 cs.MA cs.RO
CAAD: Computer Architecture for Autonomous Driving
我们描述了自动驾驶中涉及的计算任务，研究了现有的自动驾驶计算平台的实现。为了实现自动驾驶，计算堆栈需要以低成本同时提供高性能、低功耗和低散热。我们讨论了设计计算平台，将满足这些需求的可能方法。
2017-02-07 cs.AR cs.RO
A Hybrid Control Design for Autonomous Vehicles at Uncontrolled Intersections
Stanford University（斯坦福大学）；UC Berkeley（加州大学伯克利分校）
随着自动驾驶汽车（AV）越来越接近现实，接受的核心要求将是在日常驾驶情况下赢得人类的信任。特别是，自动驾驶汽车和行人之间的互动非常重要，因为每个人在一天中的某个时候都是行人。本文考虑了行人和自动驾驶车辆在中间街区的相互作用，无信号交叉口，行人何时应该穿过，车辆何时以及如何屈服是模糊的。通过通过间隙接受的概念对行人行为进行建模，作者表明，仅具有四种不同模式的混合控制器允许自动驾驶车辆在可能的人行横道进入行为的连续范围内与行人成功互动。通过大量的仿真验证控制器，并与替代POMDP解决方案和实验结果提供了一个虚拟行人的研究车辆。
2019-02-02 cs.RO
Graph and Recurrent Neural Network-based Vehicle Trajectory Prediction For Highway Driving
Nanyang Technological University（南洋理工大学）；University of Oxford（牛津大学）
将轨迹预测集成到模块化自动驾驶系统的决策和规划模块中，有望提高自动驾驶车辆的安全性和效率。然而，车辆的未来轨迹预测是一个具有挑战性的任务，因为它是由相邻车辆的社会互动行为的影响，和相邻车辆的数量可以在不同的情况下变化。本文提出了一种基于GNN-RNN的编码器-解码器网络用于交互感知轨迹预测，其中使用RNN从车辆的历史轨迹中提取车辆的动态特征，车辆间的交互由有向图表示并使用GNN编码。GNN的并行性意味着所提出的方法有可能同时预测多个车辆的轨迹。从NGSIM US-101数据集提取的数据集上的评估表明，所提出的模型是能够预测目标车辆的轨迹的情况下，与周围的车辆数量可变。
2021-07-08 cs.RO
Distributed Multi-Target Tracking for Autonomous Vehicle Fleets
Stanford University（斯坦福大学）
我们提出了一个可扩展的分布式目标跟踪算法的基础上交替方向的乘法器，非常适合于车队的自动驾驶汽车通过车辆到车辆的网络进行通信。每个感测车辆与其邻居通信以执行类似卡尔曼滤波器的更新的迭代，使得每个代理的估计近似于集中式最大后验估计，而不需要测量的通信。我们表明，我们的方法优于共识卡尔曼滤波器在恢复集中估计给定一个固定的通信带宽。我们还在高保真城市驾驶模拟器（CARLA）中演示了该算法，其中连接在时变通信网络上的50辆自动驾驶汽车使用车载摄像头跟踪50辆目标车辆的位置和速度。
2020-04-13 cs.RO
Towards Explainability in Modular Autonomous Vehicle Software
University of Pennsylvania（宾夕法尼亚大学）
安全关键的自治系统需要可信和透明的决策过程才能在现实世界中部署。机器学习的进步引入了高性能，但主要是通过黑盒算法。我们专注于讨论自动驾驶汽车（AV）的可解释性。作为一个安全关键系统，自动驾驶汽车提供了利用尖端机器学习技术的独特机会，同时要求决策的透明度。在事后分析中，AV采取的每一个行动的可解释性变得至关重要，其中可能需要进行责任分配。在本文中，我们提供了研究人员如何考虑将可解释性和可解释性纳入独立的自动驾驶汽车模块（包括感知，规划和控制）的设计和优化中的定位。
2022-12-01 cs.RO
Development of a Testbed for Autonomous Vehicles: Integrating MPC Control with Monocular Camera Lane Detection
Islamic University of Technology（伊斯兰理工大学）
本文提出了一种结合MPC控制与单目摄像头车道检测的新方法，用于提高自动驾驶车辆轨迹跟踪的精度和稳定性，并通过仿真验证了控制器的鲁棒性和灵活性。
2025-11-26 cs.RO
Autonomous Racing with AutoRally Vehicles and Differential Games
Georgia Institute of Technology（佐治亚理工学院）
安全的自动驾驶汽车必须能够预测周围的驾驶员并做出反应。以前的控制方法严重依赖于预先计算，并且无法在动态事件实时展开时对其做出反应。在本文中，我们扩展了模型预测路径积分控制（MPPI），利用微分对策理论，并引入最佳响应MPPI（BR-MPPI）的实时多车互动。实验结果使用两个AutoRally平台的赛车格式与BR-MPPI竞争对熟练的人类司机在佐治亚理工学院的自动赛车设施。
2017-07-14 cs.RO
Joint Belief and Intent Prediction for Collision Avoidance in Autonomous Vehicles
University of Florida（佛罗里达大学）
本文描述了一种新的方法，允许自主地面车辆预测城市环境中的其他代理的意图。这种方法，被称为认知驾驶框架，模型的意图和潜在的错误信念的障碍车辆。通过将这些变量之间的关系建模为动态贝叶斯网络，可以执行过滤以计算障碍车辆的意图以及其对环境的信念。当在城市环境中导航时，可以利用这种联合知识来规划更安全和更有效的轨迹。仿真结果表明，当自动驾驶车辆在道路交叉口导航时，所提出的方法能够计算障碍车辆的意图，以便采取预防性机动以避免即将发生的碰撞。
2015-03-31 cs.RO
Evaluating Pedestrian Risks in Shared Spaces Through Autonomous Vehicle Experiments on a Fixed Track
Johannes Kepler University Linz（约翰·凯撒大学林茨）；Department Intelligent Transport Systems（智能交通运输系统部门）
本研究通过固定轨道上的自动驾驶汽车实验，探讨共享空间中行人面对警报系统的反应，验证了其他情境的安全措施可适用于有轨电车共享空间，以降低无管制交叉路口风险。
2025-04-19 cs.RO
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
An Agent-based Modelling Framework for Driving Policy Learning in Connected and Autonomous Vehicles
Institute for Digital Technologies, Loughborough University（拉夫堡大学数字技术研究所）
由于自然世界的复杂性，程序员无法预见所有可能的情况，连接和自主车辆（CAV）将在其操作过程中面临，因此，CAV将需要学习自主决策。由于其周围环境的感知以及与其他车辆和道路基础设施交换的信息，CAV将获得大量有用的数据。虽然已经提出了不同的控制算法的CAV，自动驾驶汽车的连接到其他车辆和基础设施所带来的好处，其影响同策略学习还没有在文献中研究。本文研究了一个数据驱动的策略学习框架，通过基于代理的建模方法。该文件的贡献是双重的。提出了一种动态规划框架，用于在有和没有与相邻车辆的连接的情况下进行车载策略学习。仿真结果表明，虽然CAV可以学习做出自主决策，但车辆对车辆（V2V）的信息通信提高了这种能力。此外，为了克服CAV中传感的局限性，本文提出了一种新的概念，用于基础设施引导的策略学习和与自动驾驶车辆的通信。在基础设施引导的策略学习中，路边基础设施感测并捕获成功的车辆操纵，并从这些时间序列中学习最优策略，并且当车辆接近路边单元时，该策略被传达给CAV。提出了深度模仿学习方法来开发这样一个基础设施引导的策略学习框架。
2018-08-23 cs.MA cs.RO
