Optimizing Low-Speed Autonomous Driving: A Reinforcement Learning Approach to Route Stability and Maximum Speed
本文提出一种基于强化学习的低速自动驾驶策略优化方法，在保证安全和路线准确性的前提下，使车辆稳定保持接近最高速度行驶。
2024-12-20 cs.AI cs.RO
An Independent Study of Reinforcement Learning and Autonomous Driving
University of Michigan（密歇根大学）
强化学习已经成为近十年来最热门的研究课题之一。它已经在机器人操作、自动驾驶、路径规划、计算机游戏等各个领域得到了应用。我们在这个项目的过程中完成了三项任务。首先，我们研究了表格环境下的Q-学习算法，并将其成功地应用于OpenAi Gym环境Taxi。其次，我们理解并实现了Cart-Pole环境下的深度Q网络算法。第三，我们还研究了强化学习在自动驾驶中的应用，以及与安全检查约束（安全控制器）的结合。我们使用高速公路健身房环境训练了一个粗糙的自动驾驶智能体，并探讨了奖励函数等各种环境配置对智能体训练性能的影响。
2021-08-20 cs.AI cs.RO
PKRD-CoT: A Unified Chain-of-thought Prompting for Multi-Modal Large Language Models in Autonomous Driving
School of Information Technology, Monash University Malaysia（马来西亚莫纳什大学信息技术学院）
本文提出基于感知、知识、推理与决策的 PKRD-CoT 零样本思维链提示框架，使 GPT-4.0 等多模态大语言模型无需训练即可提升自动驾驶实时决策表现。
2024-12-02 cs.AI cs.RO
SuperDriverAI: Towards Design and Implementation for End-to-End Learning-based Autonomous Driving
National Institute of Informatics（国立信息学研究所）；TURING, Inc.（图灵公司）
本文提出端到端自动驾驶系统SuperDriver AI，利用DNN学习人类驾驶策略并保证安全，引入slit模型和视觉注意力模块提升鲁棒性与可解释性，并在东京真实场景中验证了其有效性。
2023-05-14 cs.AI cs.RO
Is it Safe to Drive? An Overview of Factors, Challenges, and Datasets for Driveability Assessment in Autonomous Driving
LG Silicon Valley Lab（LG硅谷实验室）
随着学习算法和硬件开发的最新进展，自动驾驶汽车在良好的驾驶条件下在结构化环境中运行时显示出了希望。然而，对于复杂、混乱和不可见的高度不确定性环境，自动驾驶系统仍然经常表现出错误或意外的行为，这可能导致灾难性的后果。自动驾驶车辆应该能够适应驾驶条件;虽然这可以通过多条路线来实现，但作为第一步，能够以某种量化的形式表征驾驶性能将是有益的。为此，本文旨在建立一个框架，调查不同的因素，可以影响驾驶性能。此外，使自动驾驶系统适应任何驾驶条件的主要机制之一是能够从代表性场景中学习和概括。目前这样做的机器学习算法主要以监督的方式学习，因此需要足够的数据来进行鲁棒和有效的学习。因此，我们还对45个公共驾驶数据集进行了比较概述，这些数据集支持学习，并在https://sites.google.com/view/driveability-survey-datasets上发布了此数据集索引。具体来说，我们根据用例对数据集进行分类，并突出显示捕获复杂和危险驾驶条件的数据集，这些数据集可以更好地用于训练鲁棒的驾驶模型。此外，通过讨论现有公共数据集未涵盖的驾驶场景以及需要更多调查和数据采集的驾驶性能因素，本文旨在鼓励有针对性的数据集收集和提出新的驾驶性能指标，以增强自动驾驶汽车在恶劣环境中的鲁棒性。
2018-11-27 cs.AI cs.RO
A Reinforcement Learning Benchmark for Autonomous Driving in Intersection Scenarios
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）
近年来，城市交叉口控制成为一个新兴的研究课题.在这种情况下，自动驾驶汽车面临着复杂的情况，因为它必须在遵守交通规则的同时及时处理与社会车辆的交互。通常，自动驾驶车辆应该在追求更高效率的同时避免碰撞。现有的工作未能提供一个框架，强调场景的完整性，同时能够部署和测试强化学习（RL）方法。具体来说，我们提出了一个基准，在复杂的交叉路口场景中，这是所谓的RL-CIS的训练和测试基于RL的自动驾驶代理。然后，部署了一组由各种算法组成的基线。测试基准和基线是为交叉口场景下的自动驾驶RL研究提供一个公平、全面的训练和测试平台，推动基于RL的交叉口自动驾驶控制方法的发展。我们提出的框架的代码可以在https://github.com/liuyuqi123/ComplexUrbanScenarios上找到。
2021-09-22 cs.AI cs.RO
Risk-Aware Reward Shaping of Reinforcement Learning Agents for Autonomous Driving
Eindhoven University of Technology（埃因霍温理工大学）；Northwestern Polytechnical University（西北工业大学）
针对自动驾驶强化学习奖励函数难确定、传统方法缺风险感知的问题，提出风险感知奖励塑形方法，新增鼓励探索、惩罚风险行为的奖励项，仿真验证对多类智能体有效，且PPO方法配合效果最佳。
2023-08-25 cs.AI cs.RO
A Software Architecture for Autonomous Vehicles: Team LRM-B Entry in the First CARLA Autonomous Driving Challenge
University of São Paulo（圣保罗大学）
第一届CARLA自动驾驶挑战赛的目标是部署自动驾驶系统，以应对所有参与者都面临相同挑战的复杂交通情况。据主办方介绍，这项比赛是一种民主化和加速自动驾驶汽车在世界各地的研究和开发的方式，使用CARLA模拟器有助于自动驾驶汽车领域的发展。因此，本文提出了一个自动驾驶汽车在模拟城市环境中的导航，试图犯下最少的交通违规行为，作为基线的自主导航CaRINA 2平台的原始架构的架构设计。我们的代理人在模拟场景中旅行了几个小时，展示了他的能力，赢得了挑战赛四条赛道中的三条，并在剩下的赛道中排名第二。我们的架构是为了满足CARLA自动驾驶挑战赛的要求而设计的，包括使用3D点云进行障碍物检测、使用卷积神经网络（CNN）和深度信息进行交通标志检测和分类、使用短期运动预测进行碰撞检测的风险评估、使用马尔可夫决策过程（MDP）进行决策以及使用模型预测控制（MPC）进行控制。
2020-10-23 cs.AI cs.RO
Intelligent Perception System for Vehicle-Road Cooperation
随着自动驾驶的发展，单个车辆自动驾驶技术的提升已经到了瓶颈。车路协同自动驾驶技术的进步，可以扩大车辆的感知范围，补充感知盲区，提高感知精度，推动自动驾驶技术的发展，实现车路融合。本项目主要利用激光雷达开发数据融合方案，实现车辆和道路设备数据的共享和融合，实现对动态目标的检测和跟踪。同时，设计了车路协同感知系统的测试场景，对车路协同感知系统进行了测试，验证了车路协同自主驾驶相对于单车自主驾驶的优势。
2022-08-30 cs.AI cs.RO
Prediction Based Decision Making for Autonomous Highway Driving
University of Surrey（萨里大学）；University of Warwick（华威大学）；Warwick Manufacturing Group（华威制造集团）
由于交通固有的复杂性和不确定性，自动驾驶决策是一项具有挑战性的任务。例如，相邻车辆可以随时改变车道或超车，以超过慢速车辆或帮助交通流量。预测周围车辆的意图，估计它们的未来状态并将其整合到自动驾驶汽车的决策过程中，可以提高复杂驾驶场景中自动驾驶的可靠性。提出了一种基于预测的深度强化学习（PDRL）决策模型，该模型在高速公路驾驶决策过程中考虑了周围车辆的操纵意图。该模型使用真实的交通数据进行训练，并通过仿真平台在各种交通条件下进行测试。结果表明，与深度强化学习（DRL）模型相比，所提出的PDRL模型通过减少碰撞次数来提高决策性能，从而实现更安全的驾驶。
2022-09-05 cs.AI cs.RO
Discrete Contrastive Learning for Diffusion Policies in Autonomous Driving
Aalto University（阿尔托大学）；Finnish Center for Artificial Intelligence (FCAI)（芬兰人工智能中心）
本文提出利用对比学习从人类驾驶数据中提取并量化驾驶风格字典，进而学习条件扩散策略来模拟人类驾驶行为，实验表明其生成的行为比基线方法更安全且更像人类。
2025-03-07 cs.AI cs.RO
Autonomous Driving Small-Scale Cars: A Survey of Recent Development
Chair of Econometrics and Statistics, esp. in the Transport Sector, Technische Universität Dresden（经济计量学与统计学教授席位（侧重交通领域））；Center for Scalable Data Analytics and Artificial Intelligence (ScaDS.AI) Dresden/Leipzig（可扩展数据分析与人工智能中心（ScaDS.AI）德累斯顿/莱比锡）；Barkhausen Institut gGmbH（巴克豪森研究所）
针对全尺寸自动驾驶车辆成本高、社会认知不足的问题，该综述梳理分类了各类小型自动驾驶汽车平台，介绍其在教育与研究领域的应用价值及相关研究进展，并提出未来发展方向建议。
2024-12-20 cs.AI cs.RO
LightEMMA: A Longitudinal Evaluation of Vision-Language Models for Autonomous Driving
Department of Civil and Environmental Engineering, University of Michigan（土木与环境工程系，密歇根大学）；University of Michigan Transportation Research Institute（密歇根大学交通研究所）
LightEMMA是评估自动驾驶领域视觉语言模型性能的纵向框架，研究发现这类模型迭代后驾驶性能未持续提升，需领域适配以提升系统安全性。
2026-09-04 cs.AI cs.RO
Characterized Diffusion Networks for Enhanced Autonomous Driving Trajectory Prediction
Xiamen University Malaysia（马来西亚厦门大学）
本文提出结合特征化扩散模块与时空交互网络的轨迹预测模型，通过不确定性估计和智能体交互建模，在NGSIM、HighD和MoCAD上显著超越现有方法，提升复杂交通场景下的预测精度。
2024-11-25 cs.AI cs.RO
Pedestrian Emergence Estimation and Occlusion-Aware Risk Assessment for Urban Autonomous Driving
The Ohio State University（俄亥俄州立大学）
避免看不见或部分被遮挡的弱势道路使用者（VRU）是城市场景中完全自动驾驶的主要挑战。然而，闭塞感知风险评估系统尚未得到广泛研究。在这里，我们提出了一个行人出现估计和遮挡感知风险评估系统的城市自动驾驶。首先，所提出的系统利用可用的上下文信息，如可见的汽车和行人，估计行人出现在闭塞区域的概率。这些概率，然后在风险评估框架中使用，并纳入纵向运动控制器。建议的控制器进行测试，对几个基线控制器，概括了一些常见的驾驶风格。模拟的测试场景包括随机放置的停放的汽车和行人，其中大多数人从自我车辆的视野中被遮挡，并随机出现。所提出的控制器在安全性和舒适性方面优于基线。
2021-07-06 cs.AI 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
Teaching Autonomous Driving Using a Modular and Integrated Approach
South China University of Technology（华南理工大学）；PerceptIn Inc（PerceptIn公司）；University of Shanghai for Science and Technology（上海理工大学）；Université de Cergy-Pontoise（塞尔吉-蓬图瓦兹大学）；Clarkson University（克拉克森大学）；Wayne State University（韦恩州立大学）；University of California, Irvine（加利福尼亚大学欧文分校）
自动驾驶不是一种单一的技术，而是一个集成了许多技术的复杂系统，这意味着教授自动驾驶是一项具有挑战性的任务。事实上，大多数现有的自动驾驶课程都专注于其中一项技术。这不仅未能提供全面的覆盖面，而且为具有不同技术背景的学生设置了很高的入学门槛。在本文中，我们提出了一种模块化的，集成的方法来教授自动驾驶。具体来说，我们将自动驾驶中使用的技术组织成模块。我们开发的教科书以及一系列旨在为每个模块提供技术概述的多媒体在线讲座中对此进行了描述。然后，一旦学生理解了这些模块，我们开发的整合实验平台可以让学生充分理解模块之间的相互作用。为了验证这种教学方法，我们提出了三个案例研究：为只有基本技术背景的学生开设的自动驾驶入门课程;现有嵌入式系统课程中的新课程，以演示如何将嵌入式系统技术应用于自动驾驶;以及行业专业培训课程，以快速培养经验丰富的工程师从事自动驾驶工作。结果表明，学生可以保持很高的兴趣水平，并取得了很大的进步，从熟悉的概念，然后再进入其他模块。
2018-02-27 cs.AI cs.CY cs.RO
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
Scaling Is All You Need: Autonomous Driving with JAX-Accelerated Reinforcement Learning
本文利用JAX加速的强化学习系统，结合高效逼真的驾驶模拟器，在自动驾驶领域进行大规模实验，证明策略性能随规模提升，最佳策略降低失败率64%并提高驾驶进展率25%。
2024-11-05 cs.AI cs.LG cs.RO
Exploring the Boundaries: Thorough Software Testing for Safety-Critical Driving Scenarios Based on Kinematics in the Context of Autonomous Driving
Esslingen University of Applied Sciences（埃斯林根应用科学大学）
本文研究自动驾驶中基于运动学的安全关键边角场景测试，提出运用边界值分析识别最小距离等极端条件，以提升系统鲁棒性并为相关人员提供测试指导。
2023-06-02 cs.RO
Deep Learning Accelerator in Loop Reliability Evaluation for Autonomous Driving
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）
针对自动驾驶中DLA可靠性评估指标与系统级指标脱节的问题，提出DLA在环可靠性评估平台，在早期设计阶段实现系统级可靠性评估，以减少设计迭代成本。
2023-06-20 cs.AI cs.AR 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
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
Towards Knowledge-driven Autonomous Driving
Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；East China Normal University（华东师范大学）；Chinese University of Hong Kong（香港中文大学）；Zhejiang University（浙江大学）
本文综述知识驱动自动驾驶技术，分析现有系统局限，提出以数据集、环境和驾驶员智能体为核心，结合大模型等AI技术构建更全面、自适应和智能的自动驾驶系统，并展望未来研究方向。
2023-12-27 cs.AI cs.CV cs.RO
Embodied Cognition Augmented End2End Autonomous Driving
Tsinghua University（清华大学）；University of Washington（华盛顿大学）
本文提出名为 $E^{3}AD$ 的新范式，通过视觉特征提取网络与通用 EEG 大模型的对比学习来学习人类驾驶认知，从而显著增强端到端自动驾驶的规划性能。
2025-11-03 cs.AI cs.HC cs.RO
World Models for Autonomous Driving: An Initial Survey
University of Macau（澳门大学）；College of Transportation Engineering, Tongji University（同济大学交通运输工程学院）；Tsinghua University（清华大学）；Macau University of Science and Technology（澳门科技大学）；University of Hawaii at Manoa（夏威夷大学马诺阿分校）
本文初步综述了世界模型在自动驾驶中的理论基础、实际应用与研究进展，强调其通过综合传感器数据预测未来场景、弥补信息缺口以辅助决策，并旨在为该领域提供基础参考。
2024-05-07 cs.AI cs.LG cs.RO
Driving the Wrong Way: Leveraging Interpretability in End2End Autonomous Driving Models
AUMOVIO（奥莫维奥）；Department of Applied Computer Science, University of Bamberg（班贝格大学应用计算机科学系）
研究端到端自动驾驶模型因复杂不透明易产生不良行为的问题，核心方法是集成无监督字典学习作为可解释性模块，主要贡献为揭示决策逻辑、纠正驾驶决策以提升模型性能。
2026-07-08 cs.AI cs.CV cs.RO
Driving Through Uncertainty: Risk-Averse Control with LLM Commonsense for Autonomous Driving under Perception Deficits
University at Buffalo（布法罗大学）；University of Notre Dame（诺特尔大学）
本文提出LLM-RCO框架，利用大语言模型整合人类驾驶常识，以提升自动驾驶在感知缺陷下的风险规避与适应性控制能力。
2025-12-12 cs.AI cs.LG cs.RO
Reinforcement Learning Based Safe Decision Making for Highway Autonomous Driving
University of Alberta（阿尔伯塔大学）
在本文中，我们开发了一种在多车道、单智能体环境中自动驾驶汽车的安全决策方法。所提出的方法利用深度强化学习（RL）来实现安全战术决策的高级策略。我们解决了仅在自主导航中出现的两个主要挑战。首先，所提出的算法确保了冲突永远不会发生，因此加快了学习过程。其次，该算法考虑了环境中的不可观测状态。这些状态的出现主要是由于其他智能体（如汽车和行人）的不可预测行为，并使马尔可夫决策过程（MDP）在处理自主导航时出现问题。从一个著名的自动驾驶汽车模拟器的模拟证明了所提出的方法的适用性
2021-05-13 cs.AI cs.LG cs.RO
Motion Comfort Optimization for Autonomous Vehicles: Concepts, Methods, and Techniques
University of North Texas（北德克萨斯大学）；Fordham University（福特汉姆大学）；Qatar University（卡塔尔大学）；University of Nebraska at Kearney（内布拉斯加大学卡尼尔分校）；Mohamed Bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学（MBZUAI））；Hamad Bin Khalifa University（哈马德·本·哈利法大学）
本文从人类舒适性视角综述自动驾驶架构、舒适度测量与优化技术，分析传感器天气限制及市场影响，并给出用例与未来展望。
2023-06-15 cs.AI cs.CV cs.LG
Understanding Time Variations of DNN Inference in Autonomous Driving
Wayne State University（韦恩州立大学）；Northeastern University（东北大学）；University of Delaware（特拉华大学）
深度神经网络（DNN）由于其感知、决策和控制的高精度而广泛用于自动驾驶。在自动驾驶等安全关键系统中，实时执行传感和感知等任务对车辆的安全至关重要，这要求应用程序的执行时间是可预测的。然而，在DNN推断中观察到不可忽略的时间变化。目前的DNN推理研究要么忽略了时间变化问题，要么依赖于调度器来处理它。目前的工作都没有解释DNN推理时间变化的根本原因。理解DNN推理的时间变化成为自动驾驶实时调度的基本挑战。在这项工作中，我们从六个角度分析了DNN推理的时间变化：数据，I/O，模型，运行时，硬件和端到端感知系统。在理解DNN推理的时间变化时，得出了六个见解。
2022-09-12 cs.AI cs.LG cs.RO
InterHub: A Naturalistic Trajectory Dataset with Dense Interaction for Autonomous Driving
Tongji University（同济大学）；Beijing Institute of Technology（北京理工大学）；School of Automotive Studies, Tongji University（同济大学汽车学院）
针对真实驾驶数据中交互事件稀疏的问题，本文提出 InterHub 数据集，利用形式化方法从自然驾驶记录中提取多智能体密集交互轨迹，并提供可扩展工具包以支持自动驾驶评估与研究。
2024-11-30 cs.RO
Guided Policy Search Model-based Reinforcement Learning for Urban Autonomous Driving
University of California, Berkeley（加州大学伯克利分校）
在本文中，我们继续我们以前的工作，使用模仿学习（IL）和无模型强化学习（RL），学习驾驶策略的自动驾驶在城市的情况下，通过引入基于模型的RL方法来驱动自动驾驶汽车在卡拉城市驾驶模拟器。尽管IL和无模型RL方法已被证明能够解决许多具有挑战性的任务，包括玩视频游戏，机器人，以及在我们之前的工作中，城市驾驶，但这些方法的低样本效率极大地限制了它们在实际自动驾驶中的应用。在这项工作中，我们开发了一个基于模型的RL算法的指导政策搜索（GPS）的城市驾驶任务。该算法迭代学习一个参数化的动力学模型来逼近复杂的交互式驾驶任务，并在非线性近似动力学模型下优化驾驶策略。作为一种基于模型的强化学习方法，GPS在城市自动驾驶中具有更高的样本效率、更好的可解释性和更高的稳定性。我们提供了大量的实验验证所提出的方法的有效性，学习鲁棒的驾驶政策，在卡拉城市驾驶。我们还将所提出的方法与其他策略搜索和无模型RL基线进行了比较，表明基于GPS的RL方法的样本效率提高了100倍，并且基于GPS的方法可以学习基线方法难以学习的更难任务的策略。
2020-05-11 cs.RO
Evaluation and Optimization of Rendering Techniques for Autonomous Driving Simulation
Southern University of Science and Technology（南方科技大学）
为提升自动驾驶仿真场景质量，提出用离线工业渲染框架替代实时渲染，通过游戏引擎生成低质量场景并用IQA算法验证离线渲染的质量提升，改进后的场景用于训练。
2023-06-27 cs.RO
Results and Lessons Learned from Autonomous Driving Transportation Services in Airfield, Crowded Indoor, and Urban Environments
Seoul National University（首尔大学）；ThorDrive
本文分享了在机场、拥挤室内和城市环境中开展自动驾驶运输服务的研究成果与经验教训，探讨了应对独特挑战的方法并概述了未来待解决的问题。
2024-03-20 cs.RO
Review of Deep Reinforcement Learning for Autonomous Driving
Middlesex University（密德萨斯大学）
自从深度神经网络复兴以来，强化学习在许多传统游戏中逐渐加强并超越了人类。然而，将这些成就复制到自动驾驶并不容易，因为现实世界中的状态空间非常复杂，动作空间是连续的，需要精细控制。此外，自动驾驶系统还必须保持其功能，无论环境的复杂性如何。深度强化学习域（DRL）已经成为一种鲁棒的学习框架，用于在高维环境中处理具有深度表示学习的复杂策略。这项研究概述了深度强化学习算法（DRL）。它提出了一个命名的自动驾驶DRL技术已被使用，从而讨论了重要的计算问题，在现实环境中评估自动驾驶代理。相反，它涉及类似但不是标准的RL技术，毗邻的领域，如动作仿真，建模模仿，反向强化学习。模拟器在训练代理中的作用得到了解决，验证，检查和现有RL解决方案的鲁棒性的方法也得到了解决。
2023-02-13 cs.RO
Implementing a Cloud Platform for Autonomous Driving
自动驾驶云提供支持自动驾驶汽车的基本服务。如今，这些服务包括但不限于新算法部署的分布式仿真测试、离线深度学习模型训练和高清（HD）地图生成。这些服务需要基础设施支持，包括分布式计算、分布式存储以及异构计算。在本文中，我们详细介绍了如何实现统一的自动驾驶云基础设施，以及如何在此基础设施上支持这些服务。
2017-04-10 cs.DC cs.RO
Assessing the Criticality of Longitudinal Driving Scenarios using Time Series Data
Esslingen University of Applied Sciences（埃斯林根应用科学大学）
本文提出基于纵向驾驶时间序列数据的安全指标，用于检测自动驾驶中的安全关键场景，以支持算法的测试与验证。
2023-05-29 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
Evaluating Robustness over High Level Driving Instruction for Autonomous Driving
ENSTA Paris（巴黎高等先进技术学院）；Institut Polytechnique de Paris（巴黎理工学院）；INRIA（法国国家信息与自动化研究所）；Université Paris-Saclay（巴黎萨克雷大学）；CEA（法国原子能和替代能源委员会）；List（李斯特研究所）
近年来，我们见证了自动端到端驾驶领域越来越高的性能。特别是，越来越多的研究正在做的城市环境中，汽车必须遵循高级别的命令来导航驾驶。然而，很少有评价的能力，这些代理人在一个意想不到的情况下作出反应。具体地，在坏的高级命令的情况下，不对驱动代理的鲁棒性进行评估。我们在这里提出了一种评估方法，即一个基准，允许评估的代理的鲁棒性，并欣赏其理解的环境，通过其能力，以保持一个安全的行为，无论指令。
2021-05-20 cs.AI cs.CV cs.LG
A Driving Intention Prediction Method Based on Hidden Markov Model for Autonomous Driving
在自动驾驶车辆和人类驾驶车辆同时存在的混合交通场景中，及时预测附近人类驾驶车辆的驾驶意图对于自动驾驶车辆的安全和高效驾驶至关重要。提出了一种基于隐马尔可夫模型（HMM）的自动驾驶汽车驾驶意图预测方法。代表不同的驾驶意图的障碍训练和测试与现场收集的数据从立交桥。在训练模型时，应用车辆的移动性特征的离散或连续表征。实验结果表明，利用连续表征的移动性特征训练的Hacker用于驾驶意图预测时，具有较高的预测精度。此外，当考虑车辆周围交通时，所提出的预测方法的性能得到进一步改善。
2019-02-25 cs.LG cs.RO stat.ML
A Language Agent for Autonomous Driving
University of Southern California（南加州大学）；Stanford University（斯坦福大学）；NVIDIA（英伟达）
本文提出Agent-Driver，利用大型语言模型作为认知智能体，通过工具库、认知记忆和推理引擎将类人智能集成到自动驾驶系统，在nuScenes基准上大幅超越现有方法，并具备卓越可解释性和少样本学习能力。
2024-07-28 cs.AI cs.CL cs.CV
DriveFuzz: Discovering Autonomous Driving Bugs through Driving Quality-Guided Fuzzing
Georgia Institute of Technology（佐治亚理工学院）；University of Texas at Dallas（德克萨斯大学达拉斯分校）；University of Central Oklahoma（中央俄克拉荷马大学）；UNIST（蔚山国立科学技术院）；University of Virginia（弗吉尼亚大学）
自动驾驶已经成为现实;价格合理的半自动驾驶汽车已经在街上，主要汽车供应商正在积极开发全自动驾驶系统，以便在这十年内部署它们。在将产品推出给最终用户之前，测试和确保自动驾驶系统的安全性至关重要，该系统由以复杂方式交织在一起的多个层组成。然而，尽管安全关键错误可能存在于任何层中，甚至跨层，但相对较少关注跨所有层测试整个驱动系统。以前的工作主要集中在各个层的白盒测试和防止对每个层的攻击。在本文中，我们的目标是对自动驾驶系统进行整体测试，这些系统具有完整的集成层。我们不关注单个层，而是关注系统在驾驶环境中不断变化的车辆状态。这使我们能够设计DriveFuzz，这是一个新的系统模糊框架，可以发现潜在的漏洞，而不管它们的位置。DriveFuzz利用高保真驾驶模拟器，根据各种因素自动生成和改变驾驶场景。我们建立了新的驾驶测试神谕的基础上，现实世界的交通规则，以检测安全关键的不当行为，并引导模糊对这样的不当行为，通过驾驶质量指标，指的是车辆的物理状态。DriveFuzz在两个自动驾驶系统（Autoware和CARLA Behavior Agent）的各个层中发现了30个新错误，并在CARLA模拟器中发现了另外三个错误。我们进一步分析了这些漏洞的影响，以及对手如何利用它们作为安全漏洞在现实世界中造成严重事故。
2022-10-25 cs.RO
RoboCar: A Rapidly Deployable Open-Source Platform for Autonomous Driving Research
SnT - Interdisciplinary Centre for Security, Reliability and Trust, University of Luxembourg（卢森堡大学安全、可靠性与信任跨学科研究中心）
本文提出基于 2018 款 KIA Soul EV 的开源自动驾驶研究平台 RoboCar，通过模块化软硬件架构降低改装成本，并经公共道路实测验证其研究价值。
2025-07-25 cs.RO
Towards Defensive Autonomous Driving: Collecting and Probing Driving Demonstrations of Mixed Qualities
Korea University（高丽大学）；Seoul National University（首尔国立大学）；Department of Artificial Intelligence, Korea University（高丽大学人工智能系）；ASRI, Seoul National University（首尔国立大学先进科学研究中心）；Department of Mechanical Engineering, Seoul National University（首尔国立大学机械工程系）；Department of Computer Science and Engineering, Seoul National University（首尔国立大学计算机科学与工程系）
设计或学习自动驾驶政策无疑是一项具有挑战性的任务，因为该政策必须在所有情况下保持其安全性。为了确保自动驾驶的安全性，检测危险情况的能力变得至关重要，这可以被视为分发外（OOD）检测问题。然而，大多数常规数据集仅提供专家驾驶演示，尽管需要一些非专家或不常见的驾驶行为数据来实现有安全保证的自动驾驶平台。为此，我们提出了一个新的数据集，称为R3驾驶数据集，由不同质量的驾驶数据组成。该数据集将异常驾驶行为分为8类，369种不同的详细情况。这些情况包括危险的车道变化和接近碰撞的情况。为了进一步启发如何检测这些异常驾驶行为，我们利用不同的不确定性估计和异常检测方法的建议数据集。从所提出的实验的结果中，可以推断，通过使用不确定性估计和异常检测，所提出的数据集中的大多数异常情况可以被区分。本文的数据集可以从www.example.com下载。
2021-09-18 cs.RO
Human-Like Autonomous Driving on Dense Traffic
University of Surrey（萨里大学）
针对高速自动驾驶中模仿学习的累积误差、泛化差等问题，提出结合混合密度网络行为克隆与GAIL碰撞惩罚的方案，在HighD数据集相关模拟测试中验证了有效性。
2024-03-07 cs.RO
Open-Source Autonomous Driving Software Platforms: Comparison of Autoware and Apollo
Korea Advanced Institute of Science and Technology（韩国科学技术院）
本文针对开源自动驾驶平台Autoware和Apollo，系统比较了其核心模块与中间件性能，为开发者选择合适平台提供了定量与详细的正面参考。
2025-01-31 cs.RO
Development of Real-time Rendering Technology for High-Precision Models in Autonomous Driving
我们的自动驾驶模拟实验室制作了模拟停车场的高精度3D模型。然而，目前的模型在某些方面仍然存在绘制质量差的问题。在这项工作中，我们开发了一个系统，以提高模型的渲染和评估渲染模型的质量。
2023-03-20 cs.CV cs.RO
RoboDriveVLM: A Novel Benchmark and Baseline towards Robust Vision-Language Models for Autonomous Driving
State Key Laboratory of Networking and Switching Technology（网络与交换技术国家重点实验室）；Beijing University of Posts and Telecommunications（北京邮电大学）
RoboDriveVLM提出了一种新型基准和基线，用于评估视觉-语言模型在自动驾驶中的鲁棒性，通过模拟多种腐蚀场景提升系统可靠性。
2025-12-01 cs.AI
GLAD: Grounded Layered Autonomous Driving for Complex Service Tasks
SUNY Binghamton（纽约州立大学宾汉姆顿分校）
鉴于自动驾驶汽车目前的点对点导航能力，研究人员正在研究复杂的服务请求，这些请求需要汽车访问多个兴趣点。在本文中，我们开发了一个分层的规划框架，称为GLAD，在自动驾驶城市复杂的服务请求。服务级、行为级和动作级规划分为三层。分层框架在其紧密耦合方面是独一无二的，其中不同的层传达用户偏好、安全估计和用于系统优化的运动成本。GLAD通过从驾驶行为收集的13.8k实例的数据集进行感知学习来视觉接地。GLAD使自动驾驶汽车能够高效、安全地满足复杂的服务请求。从抽象和完整的模拟实验结果表明，我们的系统优于几个有竞争力的基线文献。
2022-10-05 cs.RO
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
Explainability of deep vision-based autonomous driving systems: Review and challenges
Sorbonne Université（索邦大学）
本调查回顾了基于视觉的自动驾驶系统的解释方法，该系统经过行为克隆训练。可解释性的概念有几个方面，对可解释性的需求在驾驶中很强，这是一个安全关键的应用程序。本调查收集了多个研究领域的贡献，即计算机视觉、深度学习、自动驾驶、可解释人工智能（X-AI），解决了几个问题。首先，它讨论了从自动驾驶系统中获得更多可解释性和可解释性的定义、背景和动机，以及该应用所特有的挑战。其次，全面组织和详细说明了以事后方式为黑盒自动驾驶系统提供解释的方法。第三，详细介绍和讨论了文献中旨在通过设计构建更具可解释性的自动驾驶系统的方法。最后，剩余的开放的挑战和潜在的未来研究方向进行了确定和检查。
2022-07-19 cs.AI cs.CV cs.LG
Design Space of Behaviour Planning for Autonomous Driving
University of Waterloo（滑铁卢大学）
我们探索自动驾驶行为规划的复杂设计空间。成功解决行为规划的一个方面的设计选择可以严重限制其他方面。为了帮助设计过程中，在这项工作中，我们分解的设计空间的重要选择所产生的最先进的方法，并描述了由此产生的权衡。在此过程中，我们还确定了未来工作的有趣方向。
2019-08-21 cs.AI cs.LG 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
