Occlusion-aware Risk Assessment and Driving Strategy for Autonomous Vehicles Using Simplified Reachability Quantification
ThorDrive;Seoul National University(首尔大学)
本文提出一种基于简化可达性量化的遮挡感知风险评估方法,并据此设定自动驾驶车辆速度限制,在略微增加通行时间的同时显著降低碰撞率与不适感,且计算时间小于5毫秒。
2023-10-30 cs.RO
Vehicle Trajectory Prediction based Predictive Collision Risk Assessment for Autonomous Driving in Highway Scenarios
本文提出一种基于CSP-GAN-LSTM轨迹预测模型的高速公路自动驾驶碰撞风险评估方法,结合TTC和MDM构建时间连续风险函数,并在公开数据集和仿真中验证了其优于SOTA方法的预测精度与评估有效性。
2023-04-12 cs.RO
Occlusion-Aware Risk Assessment for Autonomous Driving in Urban Environments
University of Michigan(密歇根大学)
在城市环境中安全导航仍然是自动驾驶汽车面临的一个挑战性问题。遮挡和有限的传感器范围可能对环境中的行人和其他车辆之间的安全导航构成重大挑战。使车辆能够量化未知区域带来的风险,使其能够预测未来的可能性,从而提高安全性和乘坐舒适性。本文提出了一种算法,利用已知的道路布局来预测,量化和聚合与闭塞和有限的传感器范围相关的风险。这使我们能够预测即使在严重闭塞的城市环境中,未观察到的车辆引起的风险。然后,可以通过低级规划算法来使用风险来生成更好的轨迹,或者通过高级规划算法来规划更好的路线。该算法在实际地图数据的交叉口布局上进行了评估,场景中最多有五辆其他车辆,并验证了与基线方法相比,碰撞率降低了4.8倍,同时提高了驾驶舒适性。
2019-07-17 cs.RO
Context-aware Risk Assessment and Its Application in Autonomous Driving
Department of Computer and Information Sciences, University of Delaware(大学计算机与信息科学系)
本文提出上下文感知风险指数(CRI),一种轻量级模块化框架,通过方向感知空间划分和混合融合策略实时评估风险并调整控制,在Bench2Drive基准上显著降低碰撞率并提升驾驶得分。
2025-08-04 cs.RO
Efficient Reinforcement Learning for Autonomous Driving with Parameterized Skills and Priors
University of Toronto(多伦多大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);SenseTime Research(商汤科技研究院);McGill University(麦吉尔大学)
针对自动驾驶在交互式密集交通中学习效率低的问题,提出ASAP-RL算法,通过参数化运动技能和双重初始化利用专家先验,在稀疏奖励下实现更高学习效率和更好驾驶性能。
2023-05-08 cs.AI cs.LG cs.RO
Comparison-Based Ordinal Learning for Proactive Driving Risk Assessment
College of Automotive and Energy Engineering, Tongji University(同济大学汽车与能源工程学院);James Watt School of Engineering, University of Glasgow(格拉斯哥大学詹姆斯·瓦特工程学院)
针对驾驶风险评估中数据稀缺问题,提出基于比较的序数风险学习框架,从成对监督中学习风险分数,通过三种数据来源进行成对比较并实现三种参数化实例,实验表明其在多方面优于基线,可为自动驾驶提供可靠风险评估。
2026-07-14 cs.LG cs.RO
Composite Safety Potential Field for Highway Driving Risk Assessment
New York University(纽约大学)
针对现有安全势场模型难以校准和泛化纵向与横向风险的问题,提出复合安全势场框架C-SPF,结合主观场与客观场全面评估驾驶风险,能有效捕捉纵向与横向风险并解释驾驶员横向行为。
2025-04-29 cs.RO stat.AP
Real-time safety assessment of trajectories for autonomous driving
IVEX NV(IVEX公司);Infineon Technologies AG(英飞凌科技股份公司)
自动驾驶汽车(AV)必须始终保持安全运动,以确保它们不会造成任何事故。在AV系统中,车辆的运动被表示为轨迹。轨迹规划组件负责在运行时计算这样的轨迹,同时考虑到关于环境的感知信息、车辆的动态、其他道路使用者的预测未来状态以及多个安全方面。由于要考虑的信息量巨大,轨迹规划算法是复杂的,这使得保证所有规划轨迹的安全性是不平凡的。这样,就有必要有一个额外的组件来评估运行时计划轨迹的安全性。这样的轨迹安全性评估组件给出关于AV轨迹的安全性的不同观察,并且确保AV仅遵循安全轨迹。我们使用术语轨迹检查器来指轨迹安全评估组件。轨迹检查器必须根据各种安全规则评估规划的轨迹,考虑大量的可能性,包括其他交通参与者的最坏情况行为。这必须在保证硬实时的【形】性能的同时进行,因为安全评估是在车辆移动并与环境不断相互作用时进行的。在本文中,我们提出了一个原型的轨迹检查器,我们已经在IVEX开发。我们展示了我们的方法如何顺利工作,并实现嵌入在英飞凌Aurix TC397B汽车平台的实时的【形】约束。最后,我们衡量我们的轨迹检查器原型对一组NCAPS启发的情况下的性能。
2021-05-05 cs.RO
3CSim: CARLA Corner Case Simulation for Control Assessment in Autonomous Driving
Technical University of Košice(科希策技术大学)
3CSim在CARLA仿真器中提出一个角落案例分类框架,涵盖32个可调参数场景,用于评估自动驾驶系统在异常条件下的控制能力。
2024-08-30 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
Verisimilar Percept Sequences Tests for Autonomous Driving Intelligent Agent Assessment
University of Sao Paulo(圣保罗大学)
自动驾驶汽车技术有望用更安全的驾驶系统取代人类驾驶员。但是,尽管自动驾驶汽车可以变得比人类驾驶员更安全,但这是一个漫长的过程,将随着时间的推移而不断完善。在这些车辆被部署在城市道路上之前,必须确保最低的安全水平。由于自动驾驶汽车技术仍在开发中,因此没有标准方法来评估此类系统。重要的是要完全理解正在开发的技术,设计有效的手段来评估it.In本文中,我们假设安全关键系统的可靠性作为一种安全措施。我们将自主道路车辆建模为智能代理,并从人工智能的角度对其进行评估。我们的重点是评估的感知和决策系统,并提出了一个系统的方法来评估他们在车辆中的集成。我们从人工智能的最先进的模型的数据依赖性的关键方面,我们还提出了程序来重现它们。
2018-05-07 cs.AI cs.RO
Scenario Extraction from a Large Real-World Dataset for the Assessment of Automated Vehicles
Eindhoven University of Technology(埃因霍温理工大学);TNO(荷兰应用科学研究组织)
本文提出一种从真实世界驾驶数据中提取场景的方法,通过数据预处理、数据标记和标签组合搜索三步提取场景,并利用CARLA模拟数据和WOMD数据集验证,为自动驾驶车辆的安全评估提供支持。
2023-08-15 cs.RO
Impact, Attention, Influence: Early Assessment of Autonomous Driving Datasets
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)
本研究对自动驾驶领域的200多个数据集进行科学计量学分析,基于线性回归评估元数据与引用次数的关系,并提出影响力评分以实现无需引用记录的早期数据集评估。
2023-03-31 cs.DL cs.RO
S-RAF: A Simulation-Based Robustness Assessment Framework for Responsible Autonomous Driving
University of Oxford(牛津大学);University of the West of England(西英格兰大学);University of Leeds(利兹大学);University College London(伦敦大学学院)
针对自动驾驶AI系统鲁棒性评估指标不一致的问题,提出基于CARLA模拟器的S-RAF框架,可在多场景下量化鲁棒性及相关安全因素,助力构建负责任的自动驾驶系统并简化认证。
2024-08-16 cs.AI cs.CV cs.CY
Extending Responsibility-Sensitive Safety for the Assessment of Offloaded Autonomous Driving Services
针对自动驾驶功能卸载中V2X通信导致响应时间变化的安全挑战,扩展责任敏感安全定义,提出基于安全约束的卸载决策与回退机制,并引入热备阶段提升回退安全性。
2026-06-05 cs.RO
Behavioral Safety Assessment towards Large-scale Deployment of Autonomous Vehicles, Part I: Methodology
University of Michigan Transportation Research Institute(密歇根大学交通研究所);University of Michigan(密歇根大学);The University of Hong Kong(香港大学);Laplace Intelligence(拉普拉斯智能);Tsinghua University(清华大学)
针对传统功能安全方法不足,提出行为安全评估范式,通过行为能力测试和驾驶智能测试两个组件,系统评估自动驾驶车辆在交通环境中的安全行为。
2026-10-14 cs.RO
Risk assessment and observation of driver with pedestrian using instantaneous heart rate and HRV
Mississippi State University(密西西比州立大学);Nihon University(日本大学)
本研究在驾驶模拟器中引入行人动态,通过时域和频域心率分析对驾驶员进行风险评估,发现频域HR分析能有效评估驾驶员遇行人时的风险。
2024-02-10 cs.HC cs.RO
Tractable Joint Prediction and Planning over Discrete Behavior Modes for Urban Driving
Carnegie Mellon University(卡内基梅隆大学)
针对自动驾驶多模态预测与下游规划融合难题,提出基于离散隐式行为模式的全响应式闭环规划方法,无需重训预测模型,可建模智能体因果交互,在汇入和密集交通场景中表现优于现有方法。
2024-03-12 cs.LG cs.RO
Kalman Filter Meets Subjective Logic: A Self-Assessing Kalman Filter Using Subjective Logic
Ulm University(乌尔姆大学)
自我评估是自动驾驶安全性和鲁棒性的关键。为了设计更安全、更强大的自动驾驶功能,我们的目标是自我评估整个自动驾驶系统中每个模块的性能。自动驾驶系统中的一个关键组件是跟踪周围的物体,其中卡尔曼滤波器是最基本的跟踪算法。对于卡尔曼滤波器,一些经典的在线一致性措施存在的自我评估,这是基于经典的概率理论。然而,这些经典的方法缺乏能力来衡量明确的统计不确定性的自我评估,这是一个重要的质量措施,特别是,如果只有少量的样本可用于自我评估。在这项工作中,我们提出了一种新的在线自我评估方法,使用主观逻辑,这是一个现代的扩展概率逻辑,明确建模的统计不确定性。因此,通过将经典卡尔曼滤波嵌入到主观逻辑中,我们的方法还具有在自我评估中对统计不确定性的明确测量。
2020-07-01 cs.RO cs.SY eess.SP
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
Intention-based and Risk-Aware Trajectory Prediction for Autonomous Driving in Complex Traffic Scenarios
Southern University of Science and Technology(南方科技大学);Jiaxing Research Institute, Southern University of Science and Technology(南方科技大学嘉兴研究院)
针对自动驾驶轨迹预测中认知不确定性与缺乏风险意识的问题,提出融合交互、意图与风险评估模块的轨迹预测模型,在DeepAccident数据集上显著优于现有算法。
2024-09-24 cs.RO
Adaptive Performance Assessment For Drivers Through Behavioral Advantage
Robotics Institute(机器人学院);Carnegie Mellon University(卡内基梅隆大学)
自动驾驶和驾驶员辅助技术的潜在积极影响是过去十年的主要推动力。另一方面,定量分析人类驾驶员或自动驾驶代理的性能一直是一个具有挑战性的问题。在这项工作中,我们提出了一种通用的方法,即使在环境条件不同的情况下,也可以通过使用驾驶员行为优势而不是绝对指标来比较驾驶员或自动驾驶代理的性能,从而有效地消除了环境因素。还介绍了该方法的一个具体应用,其中100多名卡车司机的表现进行了评估,并在燃油效率方面进行了排名,涵盖了超过90,000次行程,平均跨越300英里,在各种驾驶条件和环境。
2018-04-26 cs.AI cs.LG cs.RO
Scenario-Independent Criticality Assessment and Prediction for Vulnerable Road Users in Autonomous Driving
University of Tübingen(图宾根大学)
本文提出面向弱势道路使用者的关键性度量及场景无关预测框架,在DeepAccident数据集上分别提升分类性能50%和超越现有方法275%,实现F1分数0.96。
2026-09-14 cs.CV cs.CY cs.LG
Extraction and Assessment of Naturalistic Human Driving Trajectories from Infrastructure Camera and Radar Sensors
BMW of North America(北美宝马公司);Graz University of Technology(格拉茨工业大学)
收集真实的驾驶轨迹对于训练模仿人类驾驶行为的机器学习模型至关重要。今天的大多数自动驾驶数据集在每个位置只包含几个轨迹,并且是由受过训练的驾驶员谨慎驾驶的测试车辆记录的。特别是在高速公路合并等交互式场景中,测试驾驶员的行为会显著影响其他车辆。这种影响妨碍了记录人类驾驶行为的整个交通空间。在这项工作中,我们提出了一种新的方法来提取交通对象的轨迹,使用基础设施传感器。基础设施传感器使我们能够记录一个位置的大量数据,并将测试驾驶员排除在循环之外。我们开发了由摄像头和交通监控雷达组成的硬件设置和轨迹提取算法。我们的视觉管道可以准确地检测物体,融合摄像头和雷达检测,并随着时间的推移跟踪它们。我们改进了一个国家的最先进的目标跟踪器相结合的跟踪图像坐标与卡尔曼滤波器在道路坐标。我们表明,我们的传感器融合方法成功地结合了相机和雷达检测的优势,并优于任何单一的传感器。最后,我们还评估了我们的轨迹提取管道的准确性。为此,我们为测试车辆配备了差分GPS传感器,并使用它来收集地面真实轨迹。利用这些数据,我们可以计算出测量误差。虽然我们使用平均误差来消除轨迹的偏差,但误差标准差是地面实况数据不准确的幅度。因此,提取的轨迹不仅是自然的,而且高度准确,并证明了使用基础设施传感器来提取真实世界轨迹的潜力。
2020-04-02 cs.CV cs.RO eess.IV
Courteous MPC for Autonomous Driving with CBF-inspired Risk Assessment
Department of Computer Science, University of North Carolina at Charlotte(计算机科学系,北卡罗来纳大学夏洛特分校);Department of Electrical and Computer Engineering, Carnegie Mellon University(电气与计算机工程系,卡内基梅隆大学);Walker Department of Mechanical Engineering, University of Texas at Austin(沃克机械工程系,德克萨斯大学奥斯汀分校)
本文提出一种基于CBF启发的风险评估框架,并将其融入MPC方案,使自动驾驶车辆在遵守安全约束和效率目标的同时,降低对周围车辆的整体风险,实现安全且礼貌的驾驶行为。
2025-04-29 cs.RO cs.SY eess.SY
Vision and Language: Novel Representations and Artificial intelligence for Driving Scene Safety Assessment and Autonomous Vehicle Planning
University of California, Merced(加州大学默塞德分校);University of California, San Diego(加州大学圣迭戈分校)
本文研究了视觉-语言表示在自动驾驶安全评估和规划中的应用,提出轻量级危险检测、轨迹规划框架整合及自然语言约束方法,强调表示-任务对齐的重要性。
2026-02-18 cs.AI cs.CV cs.LG
Towards Benchmarking and Assessing the Safety and Robustness of Autonomous Driving on Safety-critical Scenarios
Zhongguancun Laboratory(中关村实验室);Beihang University(北京航空航天大学);Institute of Data Space, Hefei Comprehensive National Science Center(合肥综合性国家科学中心数据空间研究院);Institute of Information Science, Beijing Jiaotong University(北京交通大学信息科学研究所);A*STAR(新加坡科技研究局)
本研究针对自动驾驶在安全关键场景下的安全性与鲁棒性评估不足的问题,明确了安全关键场景定义,开发了涵盖感知与系统级评估的自动驾驶安全测试平台,为行业建立标准化测试框架和降低实际道路部署风险提供技术支持。
2025-04-07 cs.AI cs.RO
Dynamic Risk Assessment for Autonomous Vehicles from Spatio-Temporal Probabilistic Occupancy Heatmaps
Department of Civil and Environmental Engineering, University of California, Berkeley, CA, USA(加州大学伯克利分校土木与环境工程系);D3 Analytics Innovation, Allstate Insurance Company, Northbrook, IL, USA(Allstate保险公司D3 Analytics创新部门);Department of Electrical Engineering and Computer Sciences, University of California, Berkeley, CA, USA(加州大学伯克利分校电气工程与计算机科学系)
本文提出概率占用风险评估(PORA)指标,利用时空热力图预测周围交通参与者的概率占用,结合Cox模型调整相对运动风险,提升自动驾驶车辆动态交通场景碰撞风险评估准确性,且在蒙特卡洛模拟中表现优于其他安全替代指标。
2025-11-16 cs.LG cs.RO eess.SP
Hierarchical Learned Risk-Aware Planning Framework for Human Driving Modeling
Brigham Young University(杨百翰大学);Carnegie Mellon University(卡内基梅隆大学)
针对自动驾驶仿真中的人类驾驶行为建模需求,提出带学习参数的分层前瞻风险感知框架,结合LSTM社交池化的多模态轨迹预测生成类人轨迹,经真实数据验证在多高速场景下建模准确且泛化性强。
2024-05-10 cs.RO
Fingerprint of a Traffic Scene: an Approach for a Generic and Independent Scene Assessment
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)
自动驾驶汽车安全评估的一个主要挑战是确保所有交通参与者的风险尽可能低。在自动驾驶测试中,一个越来越流行的概念是基于ESTO的测试。它是建立在这样的假设上的,即在路上的大部分时间可以被视为不关键的,并且在主要关键的情况下有助于安全情况。描述关键性的图表对于从测量数据中自动识别关键情况和场景是必要的。然而,建立度量缺乏通用性或度量组合的概念。在这项工作中,我们提出了一个多维的评价模型,基于传统的指标,可以独立的场景类型的场景进行评估。此外,我们提出了两个新的,进一步增强的评估方法,这也可以作为通用指标。我们介绍的指标,然后使用运动数据集的真实数据进行评估和讨论。
2022-11-24 cs.RO
SCOUT: A Lightweight Framework for Scenario Coverage Assessment in Autonomous Driving
Department of Aeronautics and Astronautics, Stanford University(航空航天工程系,斯坦福大学);Nuro Inc.(Nuro公司)
针对自动驾驶场景覆盖度评估现有方法成本高、效率低的问题,提出轻量级框架SCOUT,通过蒸馏学习逼近LVLM生成的标签,利用预计算感知特征实现快速可扩展的评估,在真实场景数据集上验证了其高精度与低成本优势。
2025-10-28 cs.AI cs.CV cs.LG
Scenario Parameter Generation Method and Scenario Representativeness Metric for Scenario-Based Assessment of Automated Vehicles
TNO(荷兰应用科学研究组织);Radboud University Medical Center(拉德堡德大学医学中心);Radboud University(拉德堡德大学);Eindhoven University of Technology(埃因霍温理工大学);Delft University of Technology(代尔夫特理工大学)
提出一种不依赖强假设的自动驾驶汽车场景参数生成方法,通过估计概率密度函数生成真实参数值,并引入基于Wasserstein距离的场景代表性度量,以自动确定最优参数化并加速评估。
2022-02-24 cs.RO
Development and Assessment of Autonomous Vehicles in Both Fully Automated and Mixed Traffic Conditions
University of Central Florida(中佛罗里达大学)
本文采用多阶段方法开发单辆与网联AV,引入“共享与关怀”V2V通信和深度强化学习提升协作驾驶,并通过调查评估混合交通中人类驾驶员竞争带来的安全风险。
2023-12-08 cs.AI cs.MA cs.RO
Enhanced Transfer Learning for Autonomous Driving with Systematic Accident Simulation
University of Maryland at College Park(马里兰大学学院市分校)
模拟数据可用于扩展真实世界的驾驶数据,以涵盖边缘情况,例如车辆事故。处理边缘情况的重要性可以从处理车祸的高社会成本以及对人类驾驶员的潜在危险中看出。为了涵盖广泛而多样的所有边缘情况,我们系统地参数化和模拟最常见的事故场景。通过将这些数据应用于自动驾驶模型,我们表明,与随机初始化方法相比,模拟数据集上的迁移学习提供了更好的泛化和碰撞避免。我们的研究结果表明,来自模拟数据训练的模型的信息可以推断为真实世界数据训练的模型,表明模拟数据在真实世界模型中的潜在影响以及异常驾驶场景处理的进步。
2020-07-23 cs.CV cs.LG cs.RO
An Approach to Systematic Data Acquisition and Data-Driven Simulation for the Safety Testing of Automated Driving Functions
Stuttgart Media University(斯图加特媒体大学);Fraunhofer-Gesellschaft e.V.(弗劳恩霍夫协会);Fraunhofer EMI(弗劳恩霍夫应用信息技术研究所);Fraunhofer IVI(弗劳恩霍夫交通与基础设施系统研究所);Fraunhofer IOSB(弗劳恩霍夫光学、微系统和图像处理研究所);GOTECH GmbH(高泰克有限公司);Technische Universität München(慕尼黑工业大学);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);understandAI GmbH(安代人工智能有限公司);Porsche Engineering Group GmbH(保时捷工程集团有限公司)
针对自动驾驶安全测试中真实数据不足的问题,提出系统化采集公共道路交通数据、统一表示并自动参数化交通行为模型的方法,以支持数据驱动的虚拟验证。
2024-05-02 cs.AI cs.CV cs.HC
Bi-Level Optimization Augmented with Conditional Variational Autoencoder for Autonomous Driving in Dense Traffic
University of Tartu(塔尔图大学);University of Naples Federico II(那不勒斯费德里科二世大学)
自动驾驶具有天然的双层结构。上层行为层的目标是提供适当的车道变换、加速和制动决策,以优化给定的驾驶任务。然而,这一层只能通过较低级别的轨迹规划器间接影响驾驶效率,轨迹规划器接收行为输入以产生运动命令。现有的基于采样的方法没有充分利用行为层和规划层之间的强耦合。另一方面,端到端强化学习(RL)可以学习行为层,同时结合来自较低级别规划器的反馈。然而,纯数据驱动的方法在看不见的环境中的安全指标往往失败。本文提出了一种新的替代方案;一个参数化的双层优化,共同计算最佳的行为决策和由此产生的下游轨迹。我们的方法使用自定义GPU加速的批处理优化器和条件变分自编码器学习的热启动策略实时运行。大量的仿真结果表明,我们的方法优于国家的最先进的模型预测控制和RL方法的碰撞率,同时具有竞争力的驾驶效率。
2022-12-05 cs.LG cs.RO
Virtual Testing of Automated Driving Systems through Credible Simulations
Joint Research Centre for the European Commission(欧盟委员会联合研究中心)
本文针对自动驾驶系统虚拟测试中仿真可信度评估的局限,借鉴NASA STD-7009框架提出基于风险的仿真工具链可信度评估框架,可应用于相关道路安全与仿真研究。
2026-09-04 cs.RO cs.SE
A Comprehensive LLM-powered Framework for Driving Intelligence Evaluation
Institute for AI Industry Research, Tsinghua University(清华大学人工智能产业研究院)
本文提出一个LLM驱动的驾驶智能评估框架,通过自然驾驶实验和访谈构建自然语言评估数据集,并在CARLA模拟器中验证其有效性,为设计更类人的自动驾驶智能体提供依据。
2025-03-07 cs.AI cs.RO
Measuring Sociality in Driving Interaction
Tongji University(同济大学)
提出基于虚拟博弈的交互模型VGIM和交互偏好值IPV来量化驾驶交互中的社会性,通过识别驾驶员社会偏好提升运动预测性能,并实现类人协调模式。
2023-10-25 cs.HC cs.RO
Corner Case Generation and Analysis for Safety Assessment of 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)
测试和评估是开发和部署互联和自动驾驶汽车(CAV)的关键一步。为了全面评价CAV的性能,有必要在安全关键场景中测试CAV,这在自然驾驶环境中很少发生。因此,如何有目的、有系统地生成这些角点案例成为一个重要的问题。现有的研究主要集中在感知系统的对抗性样本生成方面,而决策系统的研究则相对较少,这也是本文的重点。由于CAV需要与大量的背景车辆(BV)进行长时间的交互,定义拐角情况的变量通常是高维的,这使得生成具有挑战性的问题。在本文中,提出了一个统一的框架来生成决策系统的角情况。为了解决高维性带来的挑战,基于马尔可夫决策过程对驾驶环境进行建模,并应用深度强化学习技术学习BVs的行为策略。通过学习策略,BV将更积极地与CAV进行行为和交互,从而导致更多的角落情况。为了进一步分析生成的角点情况,利用特征提取和聚类技术。通过选择每个聚类的代表性案例和离群值,可以从所有生成的角点案例中识别出有价值的角点案例。高速公路驾驶环境的仿真结果表明,所提出的方法可以有效地产生和识别有价值的角点情况。
2021-02-06 cs.AI cs.LG cs.RO
Uncertainty-Aware Model-Based Reinforcement Learning with Application to Autonomous Driving
Nanyang Technological University(南洋理工大学)
为了进一步提高强化学习(RL)的学习效率和性能,提出了一种新的基于不确定性感知模型的强化学习(UA-MBRL)框架,并在不同任务场景下的自动驾驶中进行了实现和验证。首先,建立了一个具有不确定性评估能力的动作条件集成模型作为虚拟环境模型。然后,一个新的不确定性感知的基于模型的RL框架的基础上的自适应截断方法,提供虚拟的代理和环境模型之间的相互作用,提高RL的训练效率和性能。然后,开发的算法在端到端的自主车辆控制任务中实现,在各种驾驶场景下与最先进的方法进行验证和比较。验证结果表明,所提出的UA-MBRL方法优于现有的基于模型和无模型的RL方法,在学习效率和实现的性能。实验结果表明,该方法在各种自动驾驶场景下具有良好的自适应性和鲁棒性。
2021-07-05 cs.LG cs.RO
Exploration of the Assessment for AVP Algorithm Training in Underground Parking Garages Simulation Scenario
针对AVP算法在复杂场景下训练需求,提出基于2D图纸自动生成不同难度3D地下车库仿真场景的方法,以降低训练成本并提升适应性。
2023-10-17 cs.AI cs.RO cs.SY
Driver-Specific Risk Recognition in Interactive Driving Scenarios using Graph Representation
本文提出了一种自动驾驶汽车的驾驶员特定的风险识别框架,可以提取车辆间的相互作用。这种提取是在驾驶员认知的方式进行城市驾驶场景,以提高识别准确率的危险场景。首先,对驾驶员的操作数据进行聚类分析,学习不同驾驶员对危险场景的主观评价,并为每个场景生成相应的风险标签。其次,采用图表示模型(GRM),将真实驾驶场景中的动态车辆、车辆间交互和静态交通标记的特征统一构造成图。特定于驾驶员的风险标签提供了基础事实,以捕获不同驾驶员的风险评估标准。此外,图模型表示驾驶场景的多个特征。因此,所提出的框架可以学习不同驾驶员的驾驶场景的风险评估模式,并建立特定于驾驶员的风险标识符。最后,所提出的框架的性能进行了评估,通过实验进行使用真实世界的城市驾驶数据集收集的多个驱动程序。结果表明,该框架可以准确地识别实际驾驶环境中的风险及其水平。
2021-11-11 cs.HC cs.RO
Online Parameter Estimation for Human Driver Behavior Prediction
Stanford University(斯坦福大学)
驾驶员模型对于自动驾驶汽车的规划以及在仿真中验证其安全性非常重要。高度参数化的黑盒驱动程序模型非常有表现力,可以捕捉细微的行为。然而,它们通常缺乏可解释性,有时会表现出不真实的,甚至是愚蠢的行为。基于规则的模型是可解释的,并且可以被设计为保证“安全”的行为,但是由于它们的参数数量较少,因此表达性较差。在这篇文章中,我们表明,在线参数估计应用于智能驾驶员模型捕捉细微差别的个人驾驶行为,同时提供无碰撞轨迹。我们使用粒子滤波解决了在线参数估计问题,并在两个真实世界的驾驶数据集上对基于规则的驾驶员模型和黑盒驾驶员模型进行了基准测试。我们评估了我们的驾驶员模型与地面真实数据演示的接近程度,并评估了由此产生的紧急驾驶行为的安全性。
2020-05-06 cs.AI cs.RO
RiskNet: Interaction-Aware Risk Forecasting for Autonomous Driving in Long-Tail Scenarios
School of Transportation, Southeast University(东南大学交通学院);University of Wisconsin-Madison(威斯康星大学麦迪逊分校);School of Vehicle and Mobility, Tsinghua University(清华大学车辆与出行学院)
提出RiskNet框架,结合确定性风险场与图神经网络概率轨迹预测,实现长尾场景下交互感知的风险评估,在highD等数据集上优于传统方法。
2025-04-22 cs.LG cs.RO
Brain-Inspired Modelling and Decision-making for Human-Like Autonomous Driving in Mixed Traffic Environment
Nanyang Technological University(南洋理工大学)
本文针对自动驾驶汽车设计了一个类人驾驶框架,旨在使自动驾驶汽车更好地融入人类驾驶的交通生态,消除人类驾驶员对自动驾驶的误解和不适应。在分析真实世界INTERACTION数据集的基础上,采用模糊推理方法建立了驾驶攻击性评价模型。在此基础上,设计了一个将大脑情绪学习回路模型(BELCM)与两点预览模型相结合的类人驾驶模型。在仿人换道决策算法中,综合考虑行车安全和出行效率设计了代价函数。基于代价函数和多约束条件,采用动态博弈算法对无人驾驶汽车与驾驶员之间的交互和决策过程进行建模。此外,为了保证自动驾驶汽车的换道安全,建立了用于碰撞风险评估的人工势场模型。最后,通过驾驶模拟器上的人在回路实验对所提出的算法进行了评估,结果表明了所提出的方法的可行性和有效性。
2022-01-13 cs.RO cs.SY eess.SY
GaussianFusion: Gaussian-Based Multi-Sensor Fusion for End-to-End Autonomous Driving
School of Computer Science and Engineering, Sun Yat-sen University(计算机科学与工程学院,中山大学)
针对现有端到端自动驾驶多传感器融合方法可解释性不足或计算开销大的问题,提出基于高斯表示的GaussianFusion框架,以带显隐特征的2D高斯为中间载体融合多模态信息,搭配级联规划头优化轨迹,在基准测试中验证了有效性与鲁棒性。
2025-10-28 cs.CV cs.RO
KnowVal: A Knowledge-Augmented and Value-Guided Autonomous Driving System
Wangxuan Institute of Computer Technology, Peking University(北京大学王学苑计算机技术研究所);University of California, Merced(加州大学默塞德分校)
KnowVal通过整合开放世界感知与知识检索,构建驾驶知识图谱并训练价值模型,实现价值对齐的自动驾驶系统,提升了规划性能并降低了碰撞率。
2026-03-12 cs.AI cs.CV cs.RO
A Quality Index Metric and Method for Online Self-Assessment of Autonomous Vehicles Sensory Perception
Virginia Tech(弗吉尼亚理工大学)
本文提出检测质量指数(DQI)和超像素注意力网络(SPA-NET),用于自动驾驶摄像头目标检测的逐帧在线自评估,并在三个开源数据集上验证其有效性。
2023-06-01 cs.CV cs.RO eess.IV
Hybrid Action Based Reinforcement Learning for Multi-Objective Compatible Autonomous Driving
College of Automotive and Energy Engineering, Tongji University(同济大学汽车与能源工程学院);Department of Data and Systems Engineering, University of Hong Kong(香港大学数据与系统工程系)
本文提出一种多目标集成-批评强化学习方法,通过混合参数化动作空间结构和不确定性探索机制,提升自动驾驶在多目标兼容性、效率和安全性方面的性能。
2026-03-28 cs.AI cs.ET cs.LG
A Sensitivity Analysis Approach for Evaluating a Radar Simulation for Virtual Testing of Autonomous Driving Functions
Robert Bosch GmbH(罗伯特·博世股份有限公司);University of Stuttgart(斯图加特大学)
基于仿真的测试是一种很有前途的方法,可以显著减少自动驾驶功能的验证工作。环境感知传感器(如摄像机、雷达和激光雷达)的真实感模型在该测试策略中起着关键作用。一个普遍接受的方法来验证这些传感器模型还不存在。特别是雷达,传统上是最难建模的传感器之一。虽然虚拟测试有望成为真实试驾的替代方案,但由于它们使用计算密集型仿真技术来近似电磁波的传播,因此它们详细模拟整个雷达系统,因此非常耗时。在本文中,我们介绍了一种用于开发和评估雷达模拟的灵敏度分析方法,目的是确定对被测系统影响最大的参数。模块化雷达系统仿真和参数化进行灵敏度分析,以评估空间聚类算法作为测试中的系统,同时比较雷达模型的输出与实际驾驶测量,以确保现实的模型行为。所提出的方法进行评估,它表明,与这种方法的结果,从不同的情况下,可以追溯到雷达模拟的各个子模块的贡献。
2020-10-12 cs.CV cs.RO eess.SP
From Spoken Thoughts to Automated Driving Commentary: Predicting and Explaining Intelligent Vehicles' Actions
University of Oxford(牛津大学);Umeå University(于默奥大学);University of Nottingham(诺丁汉大学);Oxford Robotics Institute(牛津机器人研究所)
在评论驾驶中,驾驶员用语言表达他们的观察,评估和意图。通过说出他们的想法,学习和专家驾驶员都能够更好地理解和意识到他们的周围环境。在智能车辆背景下,自动驾驶评论可以提供关于驾驶动作的可理解的解释,从而在具有挑战性和安全关键的场景中在驾驶操作期间帮助驾驶员或最终用户。在本文中,我们进行了一项实地研究,其中我们部署了一个研究车辆在城市环境中获取数据。在收集车辆周围环境的传感器数据时,我们使用有声思维协议从驾驶教练那里获得驾驶评论。我们分析了驾驶评论,发现了一种解释风格;司机首先宣布他的观察,宣布他的计划,然后做一般性的评论。他还发表了反事实的评论。我们成功地演示了如何使用透明的基于树的方法自动生成遵循这种风格的事实和反事实自然语言解释。为纵向行动生成解释(例如,停止和移动)被认为是更容易理解和合理的人类法官相比,横向行动,如车道变化。我们讨论了如何在未来建立我们的方法,以实现驾驶员辅助以及驾驶功能的部分和有条件自动化的更强大和有效的可解释性。
2022-06-04 cs.AI cs.CY cs.HC
Online Performance Assessment of Multi-Source-Localization for Autonomous Driving Systems Using Subjective Logic
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)
本文提出基于主观逻辑的多源定位在线性能评估方法,对里程计、SLAM和GNSS三种定位系统分别建模并相互参照,在隧道环境中验证了其可行性。
2025-06-03 cs.RO
An Intelligent System-on-a-Chip for a Real-Time Assessment of Fuel Consumption to Promote Eco-Driving
University of the Basque Country UPV/EHU(巴斯克大学UPV/EHU)
提出基于SOM的智能系统,通过分析驾驶数据提供个性化生态驾驶建议,在FPGA上实现实时运行,显著降低燃油消耗和排放。
2025-01-29 cs.RO