Operationalization of Scenario-Based Safety Assessment of Automated Driving Systems
TNO(荷兰国家应用科学研究院)
本文围绕联合国UNECE WP.29 GRVA工作组制定的自动驾驶系统安全评估新方法NATM,研究利用场景数据库开展实际安全评估的路径,明确落地NATM的额外步骤,并说明其与欧洲地平线项目相关方法的适配性。
2025-07-30 cs.RO
Combining Deep Reinforcement Learning and Safety Based Control for Autonomous Driving
State Key Laboratory of Automotive Safety and Energy, Tsinghua University(清华大学汽车安全与节能国家重点实验室)
随着最先进的深度强化学习的发展,我们可以有效地解决连续控制问题。但用于连续控制的深度强化学习方法是基于历史数据的,这会在不熟悉的场景中做出不可预测的决策。结合深度强化学习和基于安全的控制可以获得良好的自动驾驶和防撞性能。在这篇文章中,我们使用深度确定性策略梯度算法来实现周围没有车辆的自动驾驶。车辆可以在稳定和熟悉的环境中学习驾驶策略,高效可靠。然后利用人工势场法设计了周围车辆的避碰算法。还考虑了路径跟踪方法。深度强化学习和基于安全的控制的组合在大多数情况下表现良好。
2016-12-01 cs.RO
Exploring the trade off between human driving imitation and safety for traffic simulation
Univ Paris Est Creteil(巴黎东克雷泰伊大学);Huawei Technologies France(华为技术法国公司)
交通仿真是自动驾驶汽车性能定量评价的重要手段。为了使模拟器成为一个有价值的测试平台,需要使场景中的每个交通代理动画化的驾驶策略像人类一样行事,同时保持最低限度的安全保证。从记录的人类驾驶数据或通过强化学习来学习交通代理的驾驶策略似乎是在不受控制的交叉口或环形交叉口中生成逼真且高度交互的交通情况的有吸引力的解决方案。在这项工作中,我们表明,在学习驾驶策略时,模仿人类驾驶和保持安全之间存在权衡。我们通过比较各种模仿学习和强化学习算法在应用于驾驶任务时的表现来做到这一点。我们还提出了一个多目标学习算法(MOPPO),提高了这两个目标。我们在从INTERACTION Dataset中提取的高度互动的驾驶场景上测试我们的驾驶策略,以评估它们的行为是否像人类。
2022-08-09 cs.LG cs.RO
Deep Reinforcement Learning with Enhanced Safety for Autonomous Highway Driving
West Virginia University(西弗吉尼亚大学);Ford Greenfield Labs(福特Greenfield实验室);University of Michigan(密歇根大学);Ford Research and Innovation Center(福特研究与创新中心)
在本文中,我们提出了一个用于自动驾驶的安全深度强化学习系统。建议的框架利用基于规则和基于学习的安全保证方法的优点。我们的安全系统由两个模块组成,即手工安全模块和动态学习安全模块。手工安全模块是基于常见驾驶实践的启发式安全规则,其确保与交通车辆的最小相对间隙。另一方面,动态学习安全模块是从驾驶数据学习安全模式的数据驱动安全规则。具体而言,动态学习安全模块结合了一个超越强化学习即时奖励的模型前瞻,以预测未来更长时间的安全性。如果其中一个未来状态导致接近或碰撞,则将向奖励函数分配负奖励以避免碰撞并加速学习过程。我们证明了所提出的框架在不同的交通密度的模拟环境中的能力。我们的研究结果表明,卓越的能力的政策增强了动态学习的安全模块。
2020-04-23 cs.RO cs.SY eess.SY
Extraction of Road Users' Behavior From Realistic Data According to Assumptions in Safety-Related Models for Automated Driving Systems
Johannes Kepler University Linz(约翰内斯·开普勒大学林茨分校)
本文依据 IEEE Standard 2846-2022,从 UniD 真实数据中提取道路使用者的运动学边界,为自动驾驶系统测试提供场景参数与起始条件。
2025-03-18 cs.RO
Architecting Safety Supervisors for High Levels of Automated Driving
KTH(皇家理工学院)
自动驾驶的复杂性对提供安全保证提出了挑战。专注于自动驾驶智能(ADI)的架构,即高水平自动驾驶所需的计算智能,传感器和通信,我们调查了所谓的安全监督器,以补充标称功能。我们提出了一个问题的制定和容错ADI,包括一个标称和安全监督通道的功能架构。然后,我们讨论了危险事件的来源,渠道之间的责任分工,以及何时主管应该接管。最后,我们确定了进一步工作的方向。
2019-12-05 cs.RO cs.SY eess.SY
Combining Policy Gradient and Safety-Based Control for Autonomous Driving
Tongji University(同济大学)
为解决数据驱动方法在自动驾驶新场景中的决策风险,提出结合DDPG策略梯度与人工势场避撞算法的融合方法,在保障安全的同时提升了多场景下的整体性能。
2023-10-20 cs.RO
Safety Analysis of Autonomous Driving Systems Based on Model Learning
Institute of Software, CAS(中国科学院软件研究所);University of Chinese Academy of Sciences(中国科学院大学);Nanjing Institute of Software Technology, ISCAS(中国科学院软件研究所南京软件技术研究院);The University of Manchester(曼彻斯特大学)
提出了一种实用的自动驾驶系统(ADS)安全性分析验证方法。其主要思想是建立一个代理模型,定量地描述了行为的ADS在指定的交通场景。证明在所得到的代理模型的安全性能适用于原来的ADS的概率保证。此外,我们探讨了安全和不安全的参数空间的交通场景驾驶危险。我们证明了所提出的方法的实用性,通过评估安全性能的国家的最先进的ADS在文献中,各种模拟交通情况。
2022-11-23 cs.AI cs.RO
A Risk-Field Enhanced Closed-Loop Digital Twin Framework for Autonomous Driving Safety Validation
针对自动驾驶安全验证,提出风险场增强闭环数字孪生框架,集成多方面功能,引入驾驶风险场描述风险,通过评估协议比较不同方法,该框架能让验证更具针对性、可解释性和可重用性,但受模型保真度等因素限制。
2026-07-14 cs.LG cs.RO
Safety2Drive: Safety-Critical Scenario Benchmark for the Evaluation of Autonomous Driving
Zhongguancun Laboratory(中关村实验室);Beihang University(北京航空航天大学);A*STAR
针对现有自动驾驶数据集缺乏合规安全场景、事故样本不足的问题,提出安全关键场景基准Safety2Drive,覆盖70项法规测试项,支持场景泛化与多维度评估,为自动驾驶安全部署提供标准化测试框架。
2025-05-20 cs.AI cs.RO
Rationale-aware Autonomous Driving Policy utilizing Safety Force Field implemented on CARLA Simulator
Yonsei University(延世大学)
尽管近年来自动驾驶技术迅速发展,但汽车制造商必须解决责任问题,才能将SAE J3016 3级或更高级别的自动驾驶乘用车商业化。为了应对产品责任法,制造商开发符合ISO 26262和ISO 21448等国际安全标准的自动驾驶系统。关于ISO 26262中的预期功能安全性(SOTIF)要求,驾驶政策建议为机动决策提供明确的理性基础。在这种情况下,数学模型,如安全力场(SFF)和责任敏感的安全(RSS),具有解释性的决定,可能是合适的。在这项工作中,我们从头开始实现SFF,以取代未公开的NVIDIA的源代码,并将其与CARLA开源模拟器集成。使用SFF和CARLA,我们提出了一个预测器声称的车辆集,并根据预测器,提出了一个综合的驾驶策略,无论它遇到的安全条件,同时通过动态交通一致的操作。该政策没有为每种情况制定单独的计划,但利用安全潜力,它的目标是与交通流量相融合的人性化驾驶。
2022-11-18 cs.AI cs.LG cs.RO
Paving the Roadway for Safety of Automated Vehicles: An Empirical Study on Testing Challenges
Chalmers University of Technology(查尔姆斯理工大学);University of Gothenburg(哥德堡大学);RISE Research Institutes of Sweden(瑞典国家研究院)
自动驾驶汽车领域的技术正在加速发展,并有望带来许多优势。然而,随着最近有条件自动驾驶的引入,我们也看到了事故。两种测试协议,条件自动化(例如,高速公路上)和自动化车辆还不存在,这给研究人员和从业人员带来了不同的挑战。例如,目前的测试程序不足以满足全自动驾驶汽车的要求,全自动驾驶汽车应该完全负责驾驶任务,没有司机作为后备。本文通过对来自五个国家的26名具有汽车安全相关测试背景的参与者进行焦点小组和访谈,介绍了当前自动驾驶汽车功能和安全性测试面临的挑战。我们概述了测试主动安全功能的实践现状以及未来需要解决的挑战,以确保自动驾驶汽车的安全性。通过访谈和焦点小组确定的主要挑战,通过有关该主题的文献丰富,与1)虚拟测试和模拟,2)安全性,可靠性和质量,3)传感器和传感器模型,4)所需的场景复杂性和测试用例数量,以及5)驾驶员和车辆之间的责任移交有关。
2017-05-09 cs.AI cs.RO cs.SE
Evaluation of Pedestrian Safety in a High-Fidelity Simulation Environment Framework
Institute for AI Industry Research (AIR), Tsinghua University(清华大学人工智能产业研究院(AIR));Baidu Inc.(百度公司)
本文提出一种自动驾驶行人安全评估方法,不仅考虑碰撞与冲突事件及行人特征,还构建了嵌入安全关键特征的高保真仿真框架,实验证明其能通过量化指标有效评估不同感知算法的行人安全性能。
2024-07-30 cs.AI cs.HC cs.RO
Model Predictive Instantaneous Safety Metric for Evaluation of Automated Driving Systems
Transportation Research Center Inc.(美国交通研究中心公司);National Highway Traffic Safety Administration(美国国家公路交通安全管理局)
配备自动驾驶系统(ADS)的车辆在具有多智能体交互的高维连续系统中运行。这个连续系统的特点是由连续运动常微分方程(差分驱动)控制的各种类型的交通代理(非齐次)。每个智能体独立地做出决策,这可能导致与主体车辆(SV)以及其他参与者(非合作)的冲突。典型的车辆安全评估程序使用各种安全关键场景并观察由此产生的碰撞(或接近碰撞),不足以评估ADS在运行安全状态维护方面的性能。在本文中,我们介绍了一个模型预测瞬时安全度量(MPrISM),它确定的SV的安全状态,考虑到最坏情况下的安全情况下,对于一个给定的交通快照。然后,该方法分析SV在特定评估时间段内与潜在碰撞的接近度。所描述的度量在标准假设下,在碰撞时间方面诱导安全的理论保证。该方法将求解问题转化为一系列特定结构的极小极大二次优化问题,便于实时安全评估应用。它的能力与合成的例子和来自现实世界的测试情况下证明。
2020-05-20 cs.RO
How defensive driving enhances driving safety: A driving simulator study on drivers' defensive driving behaviors
College of Automotive and Energy Engineering, Tongji University(同济大学汽车与能源工程学院)
该研究通过驾驶模拟器实验,定义防御性驾驶,收集82名参与者数据并分组,经组间和试验间比较,发现防御性驾驶能力强的驾驶员能更激烈操作、更早识别风险并行动,提高驾驶安全性,为培训和算法训练提供依据。
2026-07-22 cs.HC cs.RO eess.SP
DriveSafer: End-to-End Autonomous Driving with Safety Guidance
Carnegie Mellon University(卡内基梅隆大学)
本文提出DriveSafer框架,通过减少致命性规划失败来提高端到端自动驾驶的安全性,而非单纯提升平均规划质量。
2026-05-16 cs.CV cs.RO
Mission-Level Runtime Assurance Framework for Autonomous Driving
University of California, Berkeley(加州大学伯克利分校);Stanford University(斯坦福大学)
提出一种评估驾驶安全与任务完成能力的运行时保证框架,通过监控系统拒绝不可行命令,实验证明其优于仅关注平台安全的方法。
2026-06-05 cs.DC cs.RO
Toward a Full-Stack Co-Simulation Platform for Testing of Automated Driving Systems
Institute of Automotive Engineering(汽车工程研究所);Graz University of Technology(格拉茨理工大学);College of Transportation Engineering(交通工程学院);Tongji University(同济大学)
本文提出一种全栈式协同仿真平台,基于CarMaker、ROS和Apollo,实现从真实数据自动生成场景并高效验证自动驾驶系统,仿真结果验证了其有效性。
2025-07-09 cs.RO
Formal Verification of Safety Architectures for Automated Driving
National Institute of Informatics(国立信息学研究所);National Institute of Advanced Industrial Science and Technology (AIST)(国立先进工业科学技术研究院(AIST));Japanese-French Laboratory for Informatics(日法信息学实验室);The Graduate University for Advanced Studies (SOKENDAI)(综合研究大学院大学(SOKENDAI))
该研究针对自动驾驶安全架构的安全验证问题,基于责任敏感安全(RSS)形式化工作提出支持假设-保证推理与类回退结构的新型程序逻辑,可形式化定义并证明安全架构安全性,且在靠边停车场景中完成了实验评估。
2023-08-20 cs.LO cs.RO
Quantifying Safety of Learning-based Self-Driving Control Using Almost-Barrier Functions
University of California San Diego(加州大学圣地亚哥分校)
自动驾驶车辆的路径跟踪控制可以受益于深度学习,以应对非线性和不确定性等长期存在的挑战。然而,深度神经控制器缺乏安全保障,限制了其实际应用。我们提出了一种新的学习几乎障碍函数的方法,该方法近似表征了神经控制器下系统的前向不变集,以定量分析深度神经控制器用于路径跟踪的安全性。我们设计了基于采样的学习过程,用于构建候选神经屏障函数,以及利用神经网络的鲁棒性分析来识别屏障条件完全满足的区域的认证过程。我们在学习和认证之间使用对抗训练循环来优化几乎障碍函数。通过可达性分析,学习屏障也可以用于构建在线安全监控器。我们证明了我们的方法在各种仿真环境中量化神经控制器安全性的有效性,从简单的运动学模型到具有高保真车辆动力学仿真的TORCS模拟器。
2022-08-08 cs.RO
Risk-Aware Reinforcement Learning for Autonomous Driving: Improving Safety When Driving through Intersection
School of Automotive Studies, Tongji University(同济大学汽车学院);Department of Aeronautical and Aviation Engineering, The Hong Kong Polytechnic University(香港理工大学航空及航空工程系)
本文提出一种风险感知强化学习框架,通过安全评论家、拉格朗日投影及混合注意力机制,提升自动驾驶在无信号交叉路口的通行安全与效率。
2025-03-27 cs.RO
SafeShift: Safety-Informed Distribution Shifts for Robust Trajectory Prediction in Autonomous Driving
Carnegie Mellon University(卡内基梅隆大学);Hanyang University(汉阳大学);Bosch Center for Artificial Intelligence(博世人工智能中心)
提出SafeShift框架,通过表征真实数据集并发现隐藏安全场景,在安全信息分布偏移下评估轨迹预测模型,并采用补救策略平均降低10%碰撞率。
2024-02-02 cs.RO
Safety Implications of Explainable Artificial Intelligence in End-to-End Autonomous Driving
University of Alberta(阿尔伯塔大学);Alberta Machine Intelligence Institute(阿尔伯塔机器智能研究所)
本文探讨了端到端自动驾驶中可解释AI的安全影响,通过重新审视安全与可解释性概念、关键案例研究及实证分析,揭示了解释在提升驾驶安全中的关键作用及其潜在价值与局限。
2025-05-29 cs.AI cs.RO
Beelines: Motion Prediction Metrics for Self-Driving Safety and Comfort
Uber Advanced Technologies Group(优步先进技术集团)
运动预测的常用指标与自动驾驶车辆的系统级性能没有很好的关联。最常见的指标是平均位移误差(ADE)和最终位移误差(FDE),它们忽略了许多功能,使其成为自动驾驶性能指标。由于高保真仿真和跟踪测试可能是资源密集型的,因此使用与全系统行为更好相关的预测指标可以实现更快的迭代周期。在本文中,我们提供了一个高度特定于自动驾驶的预测评估的概念框架。我们提出了两个补充指标,量化运动预测对安全性(与召回相关)和舒适性(与精度相关)的影响。使用模拟器,我们证明了我们的安全度量有一个显着更好的信噪比比位移误差识别不安全的事件。
2021-04-18 cs.AI cs.RO
EPSM: A Novel Metric to Evaluate the Safety of Environmental Perception in Autonomous Driving
University of Tübingen, Faculty of Science, Department of Computer Science, Embedded Systems Group(图宾根大学,科学学院,计算机科学系,嵌入式系统组)
EPSM提出了一种新的安全指标,用于评估自动驾驶中环境感知系统的安全性能,通过整合物体和车道检测任务的相互依赖性,识别传统指标无法捕捉的安全关键错误。
2025-12-17 cs.CV cs.RO
A Safety-Oriented Self-Learning Algorithm for Autonomous Driving: Evolution Starting from a Basic Model
针对自动驾驶自学习算法学习效率低且缺乏安全性的问题,提出一种从基础模型演化的面向安全的自学习算法。该方法结合Transformer基础模型、策略混合方法与基于滚动 horizon 优化的执行器近似器,在确保安全的前提下实现了学习效率和性能的全面提升。
2024-08-22 cs.RO
ADDT -- A Digital Twin Framework for Proactive Safety Validation in Autonomous Driving Systems
Shenzhen Institute of Artificial Intelligence and Robotics for Society(深圳市人工智能与机器人研究院);University of California, Irvine(加州大学欧文分校);Georgia Institute of Technology(佐治亚理工学院);South China University of Technology(华南理工大学)
针对自动驾驶系统因罕见极端场景导致的安全故障问题,提出ADDT数字孪生框架,通过高保真仿真和强化驱动技术主动识别隐藏故障,实现部署前安全验证,且已开源供行业使用。
2025-04-13 cs.AR cs.RO
LLM-Guided Transformation of Non-Critical Driving Scenes into Safety-Critical Scenarios Using Augmented Reality
C-DRiVeS Lab: Cognitive Driving Research in Vehicular Systems(C-DRiVeS实验室:车辆系统认知驾驶研究实验室);German University in Cairo(开罗德国大学)
本文提出一种结合计算机视觉、LLM和AR的自动化流水线,将安全驾驶场景转换为安全关键场景,在nuScenes上实现97.52%分类准确率,生成逼真测试场景。
2026-09-18 cs.AI cs.CV cs.RO
Learning Safe Autonomous Driving Policies Using Predictive Safety Representations
Yardi School of Artificial Intelligence, Indian Institute of Technology Delhi(雅迪人工智能学院,印度理工学院德里)
本文提出利用预测安全表示改进自动驾驶策略学习,通过实验验证了其在提升安全性和效率方面的有效性。
2025-12-23 cs.LG cs.RO
AdvDiffuser: Generating Adversarial Safety-Critical Driving Scenarios via Guided Diffusion
School of Computer Science and Engineering, Sun Yat-Sen University(中山大学计算机科学与工程学院);School of Computer Science, Wuhan University(武汉大学计算机学院);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);School of Mechanical and Automotive Engineering, Qingdao University of Technology(青岛理工大学机械与汽车工程学院)
提出AdvDiffuser框架,通过结合扩散模型和轻量级引导模型生成对抗性安全关键驾驶场景,解决了现有方法跨系统可迁移性不足的问题,并在真实性和多样性上表现更优。
2024-10-11 cs.LG cs.RO
Safety integrity framework for automated driving
BMW Group(宝马集团);Exida;Eracons GmbH(Eracons有限公司);Technical University of Munich(慕尼黑工业大学)
本文提出一个综合安全框架,通过结合系统工程、风险分析和统计学习等方法,系统管理硬件软件故障及性能限制风险,支撑宝马3级自动驾驶系统开发与监管审批,实现正风险平衡。
2025-03-26 cs.RO
Analysis of Truck Driver Behavior to Design Different Lane Change Styles in Automated Driving
Institute of Industrial Science, The University of Tokyo(东京大学工业科学研究所);Hino Motors, Ltd.(日野汽车公司)
车道变换是一项非常苛刻的驾驶任务,许多交通事故都是由错误的操纵引起的。自动变道系统有可能减少驾驶员的工作量并提高驾驶安全性。一个挑战是如何提高驾驶员对自动化系统的接受度。从人为因素的角度来看,具有不同风格的自动化系统将提高用户的接受度,因为驾驶员可以根据不同的驾驶情况调整风格。通过对卡车驾驶员行为的分析和建模,提出了一种自动驾驶中不同换道方式的设计方法。在卡车驾驶模拟器上进行了12名驾驶员的实验,以识别驾驶员模型参数,并将三种换道风格分为激进,中等和保守的。建议的自动变道系统进行了评估的另一个卡车驾驶模拟器实验与相同的12个参与者。此外,不同的驾驶风格对驾驶员的经验和接受的影响进行了评估。评价结果表明,驾驶员能够区分不同的换道方式,驾驶员对三种换道方式的安全性评价总体上都是可以接受的,驾驶员对三种换道方式的评价是可靠的。这项研究为设计具有不同驾驶风格的自动驾驶系统提供了见解,研究结果可以应用于商业自动驾驶卡车。
2020-12-30 cs.HC cs.RO cs.SY
Criticality Metrics for Relevance Classification in Safety Evaluation of Object Detection in Automated Driving
University of Tübingen, Faculty of Science, Department of Computer Science, Embedded Systems Group(图宾根大学,科学学院,计算机科学系,嵌入式系统组)
本文提出双向临界度评分和多度量聚合策略,通过DeepAccident数据集验证,提升了物体检测系统安全评估的准确性。
2025-12-17 cs.CV cs.RO
Implementation of Road Safety Perception in Autonomous Vehicles in a Lane Change Scenario
Johannes Kepler University Linz(林茨约翰内斯·开普勒大学)
理解人类驾驶行为对于开发自动驾驶汽车算法至关重要。然而,大多数低级自动化,例如高级驾驶辅助系统(ADAS)中的自动化,都是基于客观的安全措施,这些措施并不总是与驾驶员认为安全的内容及其相应的驾驶行为保持一致。本文分析了在主观感知和客观安全措施之间寻找桥梁的问题,特别关注换道场景。结果表明,什么是被认为是安全的驾驶员和客观的指标,这取决于具体的机动和位置的司机之间的统计显着差异。
2022-11-02 cs.RO
eRSS-RAMP: A Rule-Adherence Motion Planner Based on Extended Responsibility-Sensitive Safety for Autonomous Driving
The University of Tokyo(东京大学)
本文提出基于扩展责任敏感安全(eRSS)的规则遵循运动规划器 eRSS-RAMP,用于自动驾驶汇入与紧急避让场景,仿真显示其汇入长度缩短53.0%、汇入时间减少73.5%,并实现更稳定平滑的避撞路径。
2024-09-04 cs.RO
Safety Metric Aware Trajectory Repairing for Automated Driving
Virtual Vehicle Research GmbH(虚拟车辆研究有限责任公司);Graz University of Technology(格拉茨工业大学)
针对自动驾驶在动态或紧急条件下决策失败的问题,提出一种安全度量感知的轨迹修复框架,通过二分搜索迭代生成修复轨迹,同时计算可行反应时间,保证安全性和可行性,具备随时提供规避轨迹的能力。
2024-08-20 cs.RO
Controllable and Photorealistic Pedestrian Risky Motion Generation for End-to-End Driving Safety Evaluation
Tsinghua University(清华大学);Carnegie Mellon University(卡内基梅隆大学)
提出ControlPed框架,结合轨迹冲突合成与3D高斯泼溅,生成逼真可控的危险行人场景,评估显示端到端驾驶模型性能大幅下降。
2026-10-06 cs.RO
Vehicle-in-Virtual-Environment (VVE) Method for Developing and Evaluating VRU Safety of Connected and Autonomous Driving with Focus on Bicyclist Safety
针对自动驾驶VRU安全研究存在的避撞系统缺失、延迟容忍策略研究不足、测试方法不规范等问题,本项目应用VVE方法,依托ADS自动转向与制动开发VRU安全功能,第二年报告聚焦优化上年成果并兼顾骑行者安全。
2025-08-30 cs.RO cs.SY eess.SY
Impact of Level 2/3 Automated Driving Technology on Road Work Zone Safety
Faculty of Railway Transportation, Shanghai Institute of Technology(上海应用技术大学轨道交通学院);College of Computer Science and Technology, Zhejiang University(浙江大学计算机科学与技术学院)
本文通过微观交通仿真和全类型交通冲突技术,研究 Level 2/3 自动驾驶车辆在高速公路施工区中的脱离与接管行为对安全的影响,发现提高市场渗透率可减少单车冲突但增加多车冲突,并指出应优化脱离检测与接管机制。
2025-03-05 cs.AI cs.MA cs.RO
SAINT-ACC: Safety-Aware Intelligent Adaptive Cruise Control for Autonomous Vehicles Using Deep Reinforcement Learning
Department of Computer Science, University of Memphis(孟菲斯大学计算机科学系);University of Memphis(孟菲斯大学)
提出了一种新的自适应巡航控制(ACC)系统,即SAINT-ACC:基于深度强化学习(RL)的{S} approximate-{A}ware {Int}elligent {ACC}系统(SAINT-ACC),旨在通过动态适应车间距来实现交通效率、驾驶安全性和驾驶舒适性的同时优化。提出了一种基于双强化学习Agent的交通效率优化方法,该方法基于从动态变化的复杂交通环境中采集的宏观和微观交通信息,通过有效控制驾驶安全模型参数和车间距,寻求和调整交通效率和驾驶安全/舒适性之间的最优平衡.通过对不同交通场景和渗透率的12,000多次模拟运行获得的结果表明,与最先进的方法相比,SAINT-ACC显著提高了交通流量、驾驶安全性和舒适性。
2021-09-24 cs.LG cs.RO
LLM-based Realistic Safety-Critical Driving Video Generation
Department of Civil Engineering and Engineering Mechanics, Columbia University(哥伦比亚大学土木工程与工程力学系);Department of Computer Science, Columbia University(哥伦比亚大学计算机科学系)
本文提出利用LLM生成少样本代码实现安全关键驾驶场景生成,结合CARLA模拟器与Cosmos-Transfer1和ControlNet生成真实驾驶视频,提升自动驾驶测试效率。
2026-04-12 cs.AI cs.RO
Enhancing Autonomous Driving Safety with Collision Scenario Integration
Carnegie Mellon University(卡内基梅隆大学);NVIDIA(英伟达);Fudan University(复旦大学)
针对自动驾驶中碰撞数据稀缺及过度依赖模仿学习的问题,提出SafeFusion训练框架与CollisionGen数据生成流水线,通过集成安全导向指标学习碰撞规避,使易碰撞场景下的规划性能较SOTA提升56%。
2025-03-05 cs.CV cs.RO
Parallelized and Randomized Adversarial Imitation Learning for Safety-Critical Self-Driving Vehicles
Korea University(高丽大学);Mofl Inc.(Mofl 公司);Hallym University(翰林大学);California State University, Long Beach(加州州立大学长滩分校)
自动驾驶汽车和自动驾驶研究作为现代人工智能应用中的主要有前途的前景一直受到相当大的关注。随着先进驾驶辅助系统(ADAS)的发展,自动驾驶汽车和自动驾驶系统的设计变得复杂和安全。一般来说,智能系统可以同时有效地激活ADAS功能。因此,必须考虑可靠的ADAS功能协调,以安全地控制驾驶系统。针对这一问题,提出了一种随机对抗模仿学习(RAIL)算法。RAIL是一种新的无导数模仿学习方法,用于协调各种ADAS功能的自动驾驶;因此,它模仿了控制具有各种ADAS功能的自动驾驶的决策者的操作。所提出的方法能够训练决策者处理激光雷达数据和控制多车道复杂公路环境中的自动驾驶。基于仿真的评估验证了所提出的方法达到了预期的性能。
2021-12-26 cs.AI cs.LG cs.RO
Enhancing Autonomous Driving Safety through World Model-Based Predictive Navigation and Adaptive Learning Algorithms for 5G Wireless Applications
针对5G环境下自动驾驶安全挑战,提出NavSecure框架,融合世界模型预测与安全决策,减少试错并自适应学习,实验证明其在避障等安全指标上优于端到端方法。
2026-09-22 cs.AI cs.RO
Learning to falsify automated driving vehicles with prior knowledge
BMW Group(宝马集团);University of Padova(帕多瓦大学)
虽然自动驾驶技术已经取得了巨大的进步,但安全的自动驾驶和自动驾驶车辆的可扩展和严格的测试和验证仍然具有挑战性。本文提出了一种基于学习的证伪框架,用于测试模拟中自动化或自驱动功能的实现。我们假设函数规范与可能场景上的违规度量相关联。先验知识被纳入到限制的情况下的参数方差和基于模型的证伪指导和改善学习过程。对于示例性自适应巡航控制器,与通过纯粹基于学习或纯粹基于模型的伪造方法获得的场景相比,所提出的框架产生具有更高奖励的非平凡伪造场景。
2021-01-25 cs.AI cs.RO cs.SY
Diffusion Models for Safety Validation of Autonomous Driving Systems
Computer Science(计算机科学);Stanford University(斯坦福大学);Astronautics(航空与航天)
本文训练去噪扩散模型,根据任意初始交通状态生成自动驾驶车辆的逼真且多样的潜在故障案例,为低资源、无先验的交叉口安全验证提供方法。
2025-06-10 cs.AI cs.RO
Enhancing Safety Standards in Automated Systems Using Dynamic Bayesian Networks
Aschaffenburg University of Applied Sciences(亚斯法恩堡应用科学大学);HUGIN EXPERT A/S(HUGIN EXPERT公司);Department of Computer Science, Aalborg University(计算机科学系,奥胡斯大学)
本文提出基于动态贝叶斯网络的框架,融合横向证据与安全评估模型来预测变道并保障高速切入安全,在减少碰撞方面优于传统方法,为自动驾驶安全验证提供新途径。
2025-05-04 cs.AI cs.RO
CurricuVLM: Towards Safe Autonomous Driving via Personalized Safety-Critical Curriculum Learning with Vision-Language Models
University of Wisconsin-Madison(威斯康星大学麦迪逊分校);Purdue University(普渡大学);Google(谷歌公司)
CurricuVLM利用视觉语言模型分析自动驾驶车辆行为,识别性能弱点并动态生成个性化安全关键训练场景,在Waymo数据集上超越基线,提升导航成功、驾驶效率与安全性。
2025-02-21 cs.AI cs.CV cs.RO
Herding End-to-End Autonomous Driving via Neuro-Symbolic Safety Guards
该研究针对端到端驾驶智能体违反交通规则的问题,提出无需重训的神经符号安全护卫,在Fail2Drive和Bench2Drive基准上使成功率提15%、安全碰撞降53%且保留原驾驶分数。
2026-08-13 cs.AI cs.RO cs.SY
Hybrid Deep Reinforcement Learning and Planning for Safe and Comfortable Automated Driving
Saarland University(萨尔大学);German Research Center for Artificial Intelligence(德国人工智能研究中心)
我们提出了一种新的混合学习方法,HyLEAR,用于解决POMDPs中自动驾驶汽车的无碰撞导航问题。HyLEAR利用插入式学习将混合规划器的知识嵌入深度强化学习器中,以更快地确定安全舒适的驾驶策略。特别地,混合规划器将行人路径预测和风险感知路径规划与基于驾驶行为规则的推理相结合,使得驾驶策略还尽可能地考虑乘坐舒适性和给定的驾驶行为规则集。我们对关键交通场景的CARLA-CTS 1基准的实验性能分析表明,HyLEAR在安全性和乘坐舒适性方面可以显着优于选定的基线。
2022-12-30 cs.AI cs.RO
The missing link: Developing a safety case for perception components in automated driving
University of Waterloo(滑铁卢大学);DENSO CORPORATION(电装公司)
安全保证是自动驾驶(AD)系统开发和社会接受的核心问题。感知是AD的一个关键方面,它在很大程度上依赖于机器学习(ML)。尽管已知的挑战与ML为基础的组件的安全保证,建议最近出现的单元级安全的情况下,解决这些组件。不幸的是,AD安全案例表达了系统级的安全要求,这些努力缺少将系统级的安全要求与单元级的组件性能要求相结合所需的关键链接参数。在本文中,我们提出了集成安全的情况下,感知(ISCaP),一个通用的模板,这样一个链接的安全参数专门为感知组件。该模板采用演绎和正式的方法来定义级别之间的强可追溯性。我们展示了ISCaP的适用性与详细的案例研究,并讨论了其作为一种工具,以支持增量开发的感知组件。
2022-09-06 cs.AI cs.LG cs.RO
Overview of Tools Supporting Planning for Automated Driving
Virtual Vehicle Research Center(虚拟车辆研究中心)
规划是自动驾驶领域的一个重要主题。除了文献中广泛涉及的规划算法之外,规划还需要不同的软件工具来进行开发、验证和执行。本文提出了一个调查,这些工具包括地图表示,通信,交通规则,开源规划栈和中间件,仿真和可视化工具以及基准。我们首先定义规划任务和不同的支持工具。接下来,我们提供了一个全面的国家的最先进的发展和分析它们之间的关系。最后,我们讨论了目前的差距,并提出了未来的研究方向。
2020-03-09 cs.AI cs.RO
Connected Dependability Cage Approach for Safe Automated Driving
Institute for Software and Systems Engineering, TU Clausthal(克劳斯塔尔工业大学软件与系统工程研究所)
本文提出联网可靠性笼与远程指挥控制中心协同的安全概念,用于持续监测自动驾驶 ODD 并支持责任平稳转移,经实验室和试验场验证有效。
2023-07-12 cs.RO cs.SE
Safety-aware Causal Representation for Trustworthy Offline Reinforcement Learning in Autonomous Driving
Carnegie Mellon University(卡内基梅隆大学)
提出安全感知结构化场景表示FUSION方法,利用奖励、成本、状态和动作间的因果关系,在离线强化学习中构建结构化序列推理框架,显著提升了自动驾驶智能体在分布偏移和未见环境下的安全性与泛化能力。
2024-03-12 cs.AI cs.LG cs.RO