Haptic Shared Control in Steering Operation Based on Cooperative Status Between a Driver and a Driver Assistance System
Ritsumeikan University（立命馆大学）
触觉共享控制有望实现人类和自动化系统之间的顺利协作，因为触觉促进了相互通信。一种共享给定任务的方法对于实现有效的共享控制是重要的。因此，应考虑人类操作员和自动化系统之间的适当合作关系。本文提出了一种方法来评估操作员和自动化系统之间的合作状态，在触觉共享控制的转向操作使用伪功率对每个代理的扭矩和车辆的横向速度作为每个代理的贡献车辆运动。该方法允许我们基于两个轴来估计合作状态：主动持有者和两个代理之间的意图一致性。提出了一种基于估计的协作状态的车道保持辅助系统（LKAS）的控制方法，使驾驶员能够平稳地改变车道。提出了一种基于协作状态估计的增益整定控制方法，以降低意图不一致时辅助系统的伪功率。还提出了一种用于切换跟随车道以匹配驾驶员和辅助系统的意图的方法。使用驾驶模拟器进行用户研究，以证明所提出的方法的有效性。结果表明，所提出的方法有利于顺利驾驶员发起的车道变化，而不会显着影响驾驶员的扭矩或方向盘角度，同时显着提高车道保持性能。
2015-04-22 cs.RO
Driving Skill Modeling Using Neural Networks for Performance-based Haptic Assistance
Pohang University of Science and Technology（浦项科技大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Samsung research（三星研究院）
本文讨论了一个数据驱动的框架，建模专家驾驶技能的性能为基础的触觉辅助使用神经网络（NN）。我们已经建立了一个触觉驾驶训练模拟器，收集专家驾驶数据，并提供适当的触觉反馈。我们建立了一个专家驾驶技能模型，通过训练神经网络与收集的数据。然后，技能模型应用于基于性能的触觉辅助，以提供转向/踏板运动的优化参考。我们评估的技能模型及其应用性能为基础的触觉辅助在两个用户实验。第一个实验的结果表明，我们的技能模型已经适当地捕捉专家的转向/踏板技能。第二个实验的结果表明，我们的性能为基础的触觉辅助可以帮助新手驾驶员执行转向专家司机，但不能帮助他们的踏板性能。
2021-02-21 cs.HC cs.RO
GoonDAE: Denoising-Based Driver Assistance for Off-Road Teleoperation
Agency for Defense Development (ADD)（国防发展局（ADD））；Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院（KAIST））
针对越野遥操作中非熟练驾驶员驾驶性能差、训练成本高的问题，提出基于跳跃连接LSTM的去噪自驾驶员辅助模型GoonDAE，经模拟环境实验验证可显著提升驾驶稳定性。
2023-03-01 cs.RO
Correct-by-Construction Advanced Driver Assistance Systems based on a Cognitive Architecture
University of Oxford（牛津大学）；FiveAI（FiveAI公司）；University of Colorado Boulder（科罗拉多大学博尔德分校）
到目前为止，对自动驾驶和半自动驾驶汽车安全性的研究主要集中在通过模拟进行测试和验证。由于这些自治系统的故障可能危及生命，形式化方法作为一种补充方法出现。本文研究了应用形式化方法验证的人类驾驶员模型建立使用认知架构ACT-R，并设计正确的建设先进的驾驶辅助系统（ADAS）。新颖之处在于集成的ACT-R的形式分析和抽象技术，使有限表示的一个大尺寸，连续系统的形式的马尔可夫过程。考虑的情况是一个多车道的高速公路驾驶的情况下，出现的相互作用。该方法的有效性说明在两个案例研究与各种驾驶条件。
2019-07-22 cs.LO cs.RO
Safe Reinforcement Learning for an Energy-Efficient Driver Assistance System
Clemson University（克莱姆森大学）；Allison Transmission Inc.（艾里逊变速箱公司）
基于强化学习（RL）的驾驶员辅助系统寻求通过考虑来自现场的经验数据来持续改进动力传动系控制动作来改善燃料消耗。然而，需要探索不同的经验，以学习最佳的政策往往限制了RL技术在安全关键系统，如车辆控制的应用。在本文中，一个指数控制障碍函数（ECBF）的推导和利用，以过滤不安全的行动提出了一个基于RL的驾驶员辅助系统。RL代理自由地探索和优化性能目标，而不安全的动作被投射到安全域中最接近的动作。奖励的结构，使驾驶员的加速要求得到满足的方式，提高燃油经济性和不妥协的舒适性。最大化累积奖励的最佳档位和牵引扭矩控制动作通过为混合动作空间配置的最大后验策略优化（MPO）算法来计算。建议的安全RL计划进行培训和评估，在汽车以下的情况下，它表明，它有效地避免了在培训和评估过程中的碰撞，同时提供了预期的燃油经济性的改善驾驶员辅助系统。
2023-01-03 cs.LG cs.RO cs.SY
Investigating the performance of Correspondence Algorithms in Vision based Driver-assistance in Indoor Environment
College of E&ME (NUST)（机电工程学院（国立科技大学））
本文对不同光照条件下的十四种立体匹配算法进行了实验比较。选择不同的适应性的全球和局部立体匹配技术进行评估的变体的强度和弱点的对应算法进行了探讨，采用预测误差策略的方法。这些算法是根据它们在各种室内照明条件下和一天中不同时间拍摄的真实世界数据集上的性能来衡量的
2013-01-03 cs.CV cs.RO
GLADAS: Gesture Learning for Advanced Driver Assistance Systems
Harvard University（哈佛大学）
随着自动驾驶汽车（AV）的普及，人机交互（HCI）对于生命安全至关重要。然而，几乎没有努力确保自动驾驶汽车在路上理解人类。在本文中，我们提出了GLADAS，一个基于模拟器的研究平台，旨在教自动驾驶汽车理解行人的手势。GLADAS支持基于深度学习的自动驾驶汽车手势识别系统的训练、测试和验证。我们专注于手势，因为它们是与汽车交互的原始（即自然和常见）方式。据我们所知，GLADAS是同类系统中的第一个，旨在为进一步研究人机交互提供基础设施。我们还开发了一种用于自动驾驶汽车的手势识别算法，使用GLADAS来评估其性能。我们的研究结果表明，AV理解人类手势的85.91%的时间，加强需要进一步研究人类AV互动。
2019-10-02 cs.CV cs.HC cs.LG
Understanding cyclists' perception of driverless vehicles through eye-tracking and interviews
Delft University of Technology（代尔夫特理工大学）
本研究通过Wizard-of-Oz实验结合眼动追踪和访谈，发现骑行人能自发或受指示后以93%准确率检测自动驾驶车辆中驾驶员的缺失，且检测行为影响其安全感知。
2024-12-06 cs.HC cs.RO
Detecting Multi-Sensor Fusion Errors in Advanced Driver-Assistance Systems
Columbia University（哥伦比亚大学）；Baidu Security（百度安全）
近年来，高级驾驶辅助系统（ADAS）蓬勃发展并得到广泛部署。通常，这些系统接收传感器数据，计算驾驶决策，并向车辆输出控制信号。为了消除传感器输出带来的不确定性，他们通常利用多传感器融合（MSF）来融合传感器输出，并对周围环境产生更可靠的理解。然而，MSF无法完全消除不确定性，因为它缺乏关于哪个传感器提供最准确数据以及如何最佳地整合传感器提供的数据的知识。因此，可能会发生意想不到的严重后果。在这项工作中，我们观察到工业级ADAS中流行的MSF方法可能会误导汽车控制并导致严重的安全隐患。我们定义故障（例如，汽车碰撞）所造成的故障MSF融合错误，并开发一种新的基于进化的领域特定的搜索框架，融合，融合错误的有效检测。我们进一步应用因果关系分析表明，所发现的融合错误确实是由MSF方法引起的。我们评估我们的框架上两个广泛使用的MSF方法在两个驾驶环境。实验结果表明，FusED识别超过150个融合错误。最后，我们提出了几个建议，以改善我们研究的MSF方法。
2022-05-25 cs.AI cs.LG cs.RO
DriveMCP: An Agentic AI framework for Advanced Driver Assistance System
Simon Fraser University（西蒙弗雷泽大学）
DriveMCP是一个智能体AI驾驶辅助框架，通过模块化感知、合规推理和安全仲裁流程，在CARLA模拟中减少交通违规并改善危险响应时间。
2026-09-16 cs.RO
Cyber Racing Coach: A Haptic Shared Control Framework for Teaching Advanced Driving Skills
Department of Mechanical Engineering, University of Michigan（机械工程系，密歇根大学）；Toyota Research Institute（丰田研究院）
本研究提出基于触觉共享控制的Cyber Racing Coach框架，含可协作的高性能自动驾驶系统与随表现渐隐的转向辅助机制，经人体实验验证，相比自学与全辅助基准更能帮助驾驶员习得优质赛车技能，提升表现与稳定性。
2025-10-04 cs.HC cs.RO
DME-Driver: Integrating Human Decision Logic and 3D Scene Perception in Autonomous Driving
University of Macau（澳门大学）
本文提出DME-Driver自动驾驶系统，结合大型视觉语言模型作为逻辑决策器与3D场景感知模型作为控制信号生成器，并构建新数据集以实现高精度且可解释的规划。
2024-01-08 cs.CV cs.RO
VTD: Visual and Tactile Database for Driver State and Behavior Perception
College of Electronics and Information Engineering, Tongji University（同济大学电子与信息工程学院）；Frontiers Science Center for Intelligent Autonomous Systems（智能自主系统前沿科学中心）；Trinity College, University of Oxford（牛津大学三一学院）；CATARC Automotive Technology (Shanghai) Co., LTD.（中汽研汽车技术（上海）有限公司）；School of Automotive Studies, Tongji University（同济大学汽车学院）
针对自动驾驶领域人车共驾系统中驾驶员状态与行为的主观不确定性问题，提出新型视觉触觉感知方法，构建含疲劳和分心条件的多模态同步数据集，为跨模态驾驶员行为感知算法提供可靠资源。
2024-12-06 cs.AI cs.RO
Driver Assistance for Safe and Comfortable On-Ramp Merging Using Environment Models Extended through V2X Communication and Role-Based Behavior Predictions
Mercedes-Benz AG（梅赛德斯-奔驰股份公司）；Ulm University（乌尔姆大学）；Fraunhofer FOKUS（弗劳恩霍夫开放通信系统研究所）
现代驾驶员辅助系统和自动驾驶汽车都是根据当地的环境地图做出决策的。这些地图包括例如由传感器感知的周围移动对象以及路线和导航信息。目前在环境测绘领域的研究涉及两个主要挑战。第一个是整合来自不同来源的信息，例如雷达、相机、超声波和激光雷达等车载传感器、离线地图数据或后端信息。第二个挑战包括找到这种聚合信息的抽象表示，并针对不同的驾驶功能和交通情况提供合适的接口。为了克服这些挑战，扩展环境模型是一个合理的选择。在本文中，我们展示了基于角色的运动预测与v2x扩展环境模型相结合，能够有助于提高交通安全性和驾驶舒适性。因此，我们结合了上述研究领域，并以高速公路入口处的穿线过程为例，展示了可能的改进。此外，研究表明，与未配备v2x的车辆相比，80%的平均v2x设备穿透率可以显著提高0.33m/s^2的总加速度和12 m的安全距离。
2020-08-17 cs.CE cs.ET 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
Bridging Human Oversight and Black-box Driver Assistance: Vision-Language Models for Predictive Alerting in Lane Keeping Assist Systems
Department of Civil & Environmental Engineering , University of South Florida（土木与环境工程系，佛罗里达州立大学）
针对车道保持辅助系统黑箱特性导致的故障难预判问题，提出基于VLM的预测告警系统LKAlert与首个相关基准数据集OpenLKA-Alert，结合替代特征引导与LoRA实现提前1-3秒的可解释故障预测，提升ADAS安全性。
2025-05-14 cs.CV cs.LG cs.RO
An FPGA-Based Neuro-Fuzzy Sensor for Personalized Driving Assistance
University of the Basque Country UPV/EHU（巴斯克大学UPV/EHU）
提出一种基于FPGA的神经模糊传感器用于驾驶风格识别，利用SHRP2自然驾驶数据在Xilinx Zynq上实现，能个性化调整ACC的THW参数，以0.53微秒性能满足尖端主动ADAS实时要求。
2025-01-27 cs.LG cs.RO
Intention-Based Lane Changing and Lane Keeping Haptic Guidance Steering System
Institute of Industrial Science, the University of Tokyo（东京大学工业科学研究所）
触觉引导在共享转向辅助系统中的应用，由于其在车辆控制中的相互通信能力，引起了智能车辆领域的广泛关注。通过在方向盘上施加连续扭矩，驾驶员和支撑系统可以共享车辆的横向控制。然而，目前的触觉引导转向系统在辅助变道方面存在一些不足。本研究探索一种新的转向交互方法，包括基于意图的触觉共享转向系统的设计和评价。这种基于意图的方法可以通过检测驾驶员车道变换意图来支持车道保持和车道变换辅助。通过使用基于深度学习的方法对驾驶员关于车道交叉的决策时机进行建模，提出了用于实现转向控制系统的自适应增益控制方法。提出了一种意图一致性方法，用于检测驾驶员和系统是否朝着相同的目标轨迹运动，并准确地捕捉驾驶员意图。通过驾驶模拟器实验对系统性能进行了测试。参与者被要求进行六次有辅助方法的试验和一次没有辅助的试验。结果表明，该支持系统降低了车道保持任务中的车道偏离风险，能够支持快速稳定的换道机动。
2020-11-15 cs.AI cs.HC cs.LG
Improving Multi-Vehicle Perception Fusion with Millimeter-Wave Radar Assistance
Huazhong University of Science and Technology（华中科技大学）
本文提出轻量级系统MMatch，利用毫米波雷达点云的细粒度空间关联快速识别共视车辆，实现多车协同感知的实时高精度视图对齐，在59毫秒内达到分米级精度。
2025-06-01 cs.MA cs.RO
Linking Behaviour and Perception to Evaluate Meaningful Human Control over Partially Automated Driving
Centre for Meaningful Human Control（有意义的人控中心）；Department of Cognitive Robotics（认知机器人学系）；Department of Transport & Planning（交通与规划系）；Department of Intelligent Systems（智能系统系）；Delft University of Technology（代尔夫特理工大学）
研究通过模拟实验探讨部分自动化驾驶系统中驾驶员对有意义人机控制（MHC）的体验，发现感知自动化车辆理解驾驶员与转向扭矩冲突存在显著负相关，且反应时间与控制感知存在正相关，提示未来设计需注重驾驶员干预的顺畅性、自动化意图的透明传达及情境敏感的权限分配。
2026-10-08 cs.AI cs.CY cs.HC
From perception to control: an autonomous driving system for a formula student driverless car
Beijing Institute of Technology（北京理工大学）
本文介绍了在2018年中国方程式学生自主驾驶比赛（FSAC）中获胜的“智能鲨鱼II”的自主驾驶系统。在这项比赛中，一辆自主赛车需要在未知的赛道上自主完成两圈。本文介绍了该赛车的自动驾驶软件结构，保证了车辆的高速性和安全性。关键部件保证了赛车的稳定行驶，基于LiDAR和视觉的圆锥检测提供了冗余感知;基于EKF的定位提供了高精度和高频率的状态估计;感知结果通过占用网格地图在时间和空间上积累。在得到运动轨迹后，采用模型预测控制算法对赛车的纵向和横向控制进行优化。最后，基于真实世界的数据的实验的性能。
2019-08-31 cs.CV cs.RO
Localization & Mapping Requirements for Level 2+ Autonomous Vehicles
Xona Space Systems（Xona空间系统公司）
自动驾驶汽车正在部署一系列功能，从个人车辆的高速公路驾驶员辅助功能（SAE 2级+）到在复杂城市环境中运行的全自动车队乘车共享服务（SAE 4级+）。这种自主性通常在不同的物理环境中运行，具有不同程度的假定驾驶员在环监督，因此具有非常不同的系统和子系统要求。SAE 2级至5级系统的核心是定位和地图绘制，范围从用于特征地理围栏或高级路线的道路确定，到用于高级驾驶员辅助的车道确定，再到用于全面车辆控制的车道定位。我们评估不同自治级别和支持功能的本地化和映射需求。这项工作为系统分解提供了一个框架，包括实现目标安全级别所需的冗余级别。我们研究了几个代表性的自主和援助功能，并提出建议，定位要求以及地图地理参考和信息完整性。
2023-01-05 cs.RO cs.SY eess.SY
Sight Guide: A Wearable Assistive Perception and Navigation System for the Vision Assistance Race in the Cybathlon 2024
Autonomous Systems Lab, ETH Zürich（苏黎世联邦理工学院自主系统实验室）；Robotics and Perception Group, University of Zurich（苏黎世大学机器人与感知组）；School of Engineering, Zurich University of Applied Sciences（应用科学大学工程学院）；Robotics Systems Lab, ETH Zürich（苏黎世联邦理工学院机器人系统实验室）
本文提出面向 Cybathlon 2024 视觉辅助竞赛的可穿戴系统 Sight Guide，融合经典机器人算法与学习方法实现避障、目标检测等功能，测试任务成功率达 95.7%。
2025-06-03 cs.RO
From Perception to Assistance: Open-Vocabulary Shared Autonomy for Robotic Manipulation
University of São Paulo（圣保罗大学）；Instituto Israelita de Ensino e Pesquisa Albert Einstein（以色列爱因斯坦教育与研究机构）；Graduate School of Information Sciences, Tohoku University（东北大学信息科学研究生院）
研究针对工业环境中机器人操作难题，提出共享自主性框架，利用RGB-D摄像头、视觉语言模型等，经GPU加速控制器等实现操作，在四足移动操纵器上验证，在多项任务中表现良好，展示了该框架的有效性。
2026-07-21 cs.CV cs.HC cs.RO
Provident Vehicle Detection at Night for Advanced Driver Assistance Systems
Dr. Ing. h.c. F. Porsche AG（保时捷股份公司）；Robert Bosch GmbH（罗伯特·博世有限公司）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；NEC Laboratories Europe GmbH（NEC欧洲实验室有限公司）；Leibniz University Hannover（汉诺威莱布尼茨大学）
近年来，计算机视觉算法变得越来越强大。然而，目前的算法主要有一个局限性：它们依赖于直接可见的对象。与人类行为相比，这是一个显著的缺点，在人类行为中，由物体（例如，阴影）已经直观地用于检索信息或预测出现的对象。当在夜间驾驶时，这种性能缺陷变得更加明显：人类已经处理了由迎面而来的车辆的前灯引起的光伪影以估计它们出现的位置，而当前的目标检测系统要求迎面而来的车辆在被检测到之前是直接可见的。基于以前的工作，在本文中，我们提出了一个完整的系统，可以检测光伪影所造成的迎面而来的车辆的前灯，使它检测到一辆车正在接近providedly。为此，一个完整的算法架构进行了研究，包括在图像空间中的检测，三维定位，光伪影的跟踪。为了证明这种算法的有用性，所提出的算法被部署在测试车辆中，以使用检测到的光伪影来主动控制无眩光远光系统。使用这个实验设置，节约车辆检测系统的时间效益相比，在生产计算机视觉系统进行量化。此外，无眩光远光用例通过将自适应前照灯视为投影仪来提供检测结果的实时和真实世界可视化界面。通过这项对节约车辆检测的调查，我们希望能够意识到检测物体的非常规传感任务，并进一步缩小人类行为与计算机视觉算法之间的性能差距，使自主和自动驾驶向前迈进一步。
2022-04-08 cs.CV cs.RO
Low-Cost Infrared Vision Systems for Improved Safety of Emergency Vehicle Operations Under Low-Visibility Conditions
University of California - Davis（加利福尼亚大学戴维斯分校）；California Department of Transportation（加利福尼亚州交通局）
本研究探讨了红外相机技术提升低能见度下紧急车辆驾驶员安全的潜力，通过实验室与实地测试及操作员调查，验证了其探测性能与改装DoT车队的可行性，为规模化部署提供了数据驱动的建议。
2025-06-29 cs.CV cs.RO
A Novel Model for Driver Lane Change Prediction in Cooperative Adaptive Cruise Control Systems
University of Windsor（温莎大学）；University of Leeds（利兹大学）
该研究针对协同自适应巡航控制系统的驾驶员换道预测问题，对比不同信息类型与周边车辆数量的影响，基于HighD数据集训练LSTM模型，实现了ACC和CACC场景下59.15%与92.43%的换道预测准确率。
2023-05-01 cs.AI cs.LG cs.RO
Generative Model-based Simulation of Driver Behavior when Using Control Input Interface for Teleoperated Driving in Unstructured Canyon Terrains
Agency for Defense Development（国防发展局）；Korea Advanced Institute of Science and Technology（韩国科学技术院）
针对非结构化峡谷地形遥操作驾驶用户研究成本高的问题，提出基于条件变分自编码器（CVAE）的深度生成模型，通过构建模拟器收集数据并仿真驾驶员行为，有效生成遥操作驾驶数据。
2023-05-17 cs.AI cs.HC cs.RO
Optimal Driver Warning Generation in Dynamic Driving Environment
University of California, Berkeley（加州大学伯克利分校）；Honda Research Institute USA（美国本田研究所）
本研究针对动态驾驶环境中驾驶员警告生成问题，提出基于POMDP的最优警告生成框架，考虑警告、驾驶员行为及车辆状态交互，仿真实验验证其优于现有方法。
2024-11-09 cs.AI cs.HC cs.RO
Learning An Active Inference Model of Driver Perception and Control: Application to Vehicle Car-Following
Army Research Office（陆军研究办公室）
本文提出一种基于主动推理理论的双层优化方法，从有限演示中学习人类感知与控制模型，并在自然车辆跟驰数据集上验证了其作为黑箱驾驶模型替代方案的有效性。
2025-05-01 cs.AI cs.LG cs.RO
Effects of Augmented-Reality-Based Assisting Interfaces on Drivers' Object-wise Situational Awareness in Highly Autonomous Vehicles
University of California, Los Angeles（加州大学洛杉矶分校）；Honda Research Institute USA（美国本田研究所）；Zoox（Zoox公司）
本文通过20人参与的驾驶模拟器实验，研究基于增强现实的高亮提示在不同交通密度、物体位置和类型下对部分自动驾驶车辆驾驶员逐物体态势感知的影响，为优化AR辅助界面设计提供依据。
2022-06-06 cs.AI cs.HC cs.RO
A Survey of Recent Developments in Collision Avoidance, Collision Warning and Inter-Vehicle Communication Systems
Istanbul Technical University（伊斯坦布尔理工大学）
本文介绍了船舶避碰和碰撞警告（CA、CW）系统的研究现状。交通事故是由于驾驶员的失误或驾驶员无法预料的情况造成的。CA、CW系统是为了减少交通事故和拯救人们的生命而开发的，它通过警告驾驶员或在驾驶员不能足够快地反应时采取补偿行动来减少交通事故。除了这些举措，本文还从经济角度解释了CA、CW驾驶辅助系统的重要性。在世界各地已完成和正在进行的项目的背景下调查技术发展。CA，CW系统算法的性能指标，如可靠性和严格性进行了讨论。本文还介绍了车辆间通信系统（IVC）的信息，这将是未来CA，CW系统的关键组成部分。
2020-12-23 cs.RO
Adaptive driver-automation shared steering control via forearm surface electromyography measurement
Institute of Industrial Science, The University of Tokyo（东京大学工业科学研究所）；Technical University of Darmstadt（达姆施塔特工业大学）
共享转向控制已经开发出来，以减少驾驶员的工作量，同时保持驾驶员在控制回路。驾驶员可以整合来自前方道路的视觉感知信息和来自方向盘的触觉感知信息，以实现更好的驾驶性能。以往的研究表明，与自适应自动化的权威，固定自动化的权威并不总是适当的人的因素。设计了一种基于驾驶员前臂表面肌电（sEMG）测量的自适应共享转向控制系统，并评估了该系统在双车道变换任务中对驾驶员行为的影响。共享转向控制通过触觉引导系统实现，触觉引导系统在方向盘上提供主动辅助扭矩。10名受试者参加了高保真驾驶模拟器实验。两种类型的自适应算法进行了研究：触觉指导减少驾驶员的握力增加（HG-减少），和触觉指导增加驾驶员的握力增加（HG-增加）。这两种算法进行了比较，手动驾驶和两个级别的固定权限触觉指导，共五个实验条件。驾驶系统的评价是基于两组因变量：驾驶员行为的客观措施和驾驶员工作量的主观措施。结果表明，自适应权限的HG-减少产生较低的驾驶员工作量和减少车道偏离的风险相比，手动驾驶和固定权限的触觉引导。
2020-09-09 cs.HC cs.RO cs.SY
Providentia -- A Large-Scale Sensor System for the Assistance of Autonomous Vehicles and Its Evaluation
fortiss GmbH（fortiss 有限公司）；Mentor Graphics（明导国际）；Technical University of Munich（慕尼黑工业大学）；German Aerospace Center (DLR)（德国航空航天中心）；Cognition Factory GmbH（认知工厂有限公司）
自动驾驶车辆的环境感知受到其物理传感器范围和算法性能的限制，以及降低其对正在进行的交通状况的理解的遮挡。这不仅对安全性构成重大威胁并限制驾驶速度，而且还可能导致不方便的操纵。智能基础设施系统可以帮助缓解这些问题。智能基础设施系统可以填补车辆感知的空白，并通过以当前交通状况的数字模型（即数字孪生）的形式提供有关其周围环境的额外详细信息来扩展其视野。然而，这种系统的详细描述和工作原型证明其可行性是稀缺的。在本文中，我们提出了一个硬件和软件架构，使这样一个可靠的智能基础设施系统的建设。我们已经在现实世界中实现了这一系统，并证明了它能够创建一个精确的数字孪生的高速公路延伸，从而提高自动驾驶汽车的感知超越其车载传感器的限制。此外，我们评估的准确性和可靠性的数字孪生，通过使用航空影像和地球观测方法生成地面实况数据。
2021-12-08 cs.CV 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
AVOID: Autonomous Vehicle Operation Incident Dataset Across the Globe
University of Central Florida（中佛罗里达大学）
自动驾驶汽车（AV）或配备先进驾驶辅助系统（ADAS）的汽车的碰撞数据是了解碰撞性质和增强自动化系统的关键信息。然而，大多数现有的碰撞数据源要么受到样本大小的限制，要么存在数据缺失或未经验证的问题。为了对AV安全研究社区做出贡献，我们引入了AVOID：一个开放的AV崩溃数据集。考虑三种类型的车辆：高级驾驶系统（ADS）车辆，高级驾驶员辅助系统（ADAS）车辆和低速自动穿梭机。碰撞数据收集自美国国家公路交通安全管理局（NHTSA）、加州机动车管理局（CA DMV）和全球事故新闻，数据经过手动验证并以随时可用的格式汇总。此外，还提供了土地利用、天气和几何信息。该数据集有望为研究界提供样本丰富、数据来源多样、数据结构清晰、数据质量高的数据，加速汽车碰撞分析和潜在风险识别的研究。
2023-03-22 cs.RO
A Benchmark for Spray from Nearby Cutting Vehicles
Mercedes-Benz AG（梅赛德斯-奔驰集团）；Princeton University（普林斯顿大学）；MESSRING Active Safety GmbH（MESSRING主动安全有限公司）
目前的驾驶员辅助系统和自动驾驶堆栈仅限于明确定义的环境条件和地理围栏区域。为了提高恶劣天气条件下的驾驶安全性，有必要扩大自动驾驶和驾驶员辅助系统的应用范围。为了实现这一发展，需要可重复的基准方法来量化预期的扭曲。在这份出版物中，提出了一种喷雾干扰的测试方法。它介绍了一种新型的轻量级和可配置的喷雾设置，以及评估方案，以评估喷雾引起的干扰。该分析涵盖了汽车RGB摄像头和两种不同的LiDAR系统，以及基于YOLOv 3和PV-RCNN的下游检测算法。在近距离切割车辆的常见场景中，可以看到扭曲严重影响感知叠加长达四秒，这表明有必要对喷雾的影响进行基准测试。
2021-08-24 cs.CV cs.RO
Improving Driver Satisfaction with a Driving Function Learning from Implicit Human Feedback -- a Test Group Study
Dr. Ing. h.c. F. Porsche AG（德意志联邦汽车工业联合会）；University of Catania（卡塔尼亚大学）；Technical University of Munich（慕尼黑技术大学）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
通过学习隐式人类反馈优化驾驶功能，提高驾驶员满意度并减少干预频率。
2026-02-14 cs.RO
VLM-Based Advanced Rider Assistance System for Motorcycle Safety
HRI；Honda Research Institute（本田研究院）；University of Maryland（马里兰大学）；Northeastern University（东北大学）
提出一种利用视觉语言模型进行语义感知和风险感知规划的摩托车高级骑手辅助系统，通过构建密集风险地图并采用基于采样的规划器，在CARLA模拟器中实现更高的成功率和更低的风险暴露。
2026-05-27 cs.RO
Synthesizing Follow-Up Drive Data for Enhanced Road Safety in Intelligent Driving Function Systems
Esslingen University of Applied Sciences（埃斯林根应用科学大学）
本研究提出一种生成多样化安全关键跟车场景的新方法，利用运动学建模和DSS指标，以解决智能驾驶功能测试数据不足的问题，从而增强道路安全评估。
2024-02-04 cs.RO
Probabilistic Collision Risk Estimation for Pedestrian Navigation
Biped Robotics SA；Honda Research Institute Europe GmbH（本田欧洲研究机构）；Honda Research Institute Japan Co., Ltd.（本田日本研究机构）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
本研究将自动驾驶中的概率碰撞风险模型应用于视力障碍者导航辅助，实验表明其警告准确率67%，优于距离和时间度量（51%）。
2025-06-19 cs.RO
Personalized Highway Pilot Assist Considering Leading Vehicle's Lateral Behaviours
Institute of Power Machinery and Vehicular Engineering, Faculty of Engineering, Zhejiang University（浙江大学工学部动力机械及车辆工程研究所）
高速公路驾驶员辅助系统已成为先进驾驶员辅助系统竞争的前沿。对安全性和用户接受度的日益增长的要求要求在这种系统的开发过程中进行个性化。受驾驶员横向跟驰偏好研究的启发，提出了一种基于智能驾驶员模型（IDM）的速度控制模型和考虑前车横向运动的车道保持模型的高速公路个性化辅助驾驶算法。通过模拟驾驶实验，分析了自由驾驶和跟驰驾驶情况下驾驶员的视线和车道保持行为。根据驾驶员受前车影响的驾驶行为，将驾驶员聚类为两个驾驶风格组，并对每个驾驶员的个性化参数进行优化。基于动基座仿真器的驾驶员在环仿真实验验证了该算法的有效性。实验结果表明，与非个性化算法相比，个性化高速公路导航算法能够显著降低驾驶员的心理负荷，提高驾驶员对辅助功能的接受度。
2021-12-11 cs.RO cs.SY eess.SY
Egocentric Vision-based Future Vehicle Localization for Intelligent Driving Assistance Systems
Honda Research Institute（本田研究所）；School of Informatics, Computing and Engineering, Indiana University（印第安纳大学信息学、计算与工程学院）；Robotics Institute, University of Michigan（密歇根大学机器人研究所）
预测车辆的未来位置对于高级驾驶员辅助系统（ADAS）和自动驾驶等安全关键型应用至关重要。本文介绍了一种新的方法，同时预测的位置和规模的目标车辆在第一人称（自我中心）视图的自我车辆。我们提出了一个多流递归神经网络（RNN）编码器-解码器模型，该模型分别捕获对象位置和尺度以及像素级观察结果，用于未来的车辆定位。我们表明，将密集的光流提高预测结果显着，因为它捕获的运动以及外观变化的信息。我们还发现，明确建模的自我车辆的未来运动提高了预测精度，这可能是特别有益的智能和自动化的车辆，具有运动规划能力。为了评估我们的方法的性能，我们提出了一个新的第一人称视频数据集，这些视频是从道路交叉口的各种场景中收集的，这些场景对于预测来说特别具有挑战性，因为车辆轨迹是多样的和动态的。
2019-03-03 cs.CV cs.RO
Behavioral Research and Practical Models of Drivers' Attention
York University（约克大学）
对许多人来说，开车是一项日常活动，但这远非简单。驾驶员同时处理多项任务，例如保持车辆在车道上，观察和预测其他道路使用者的行动，对危险做出反应，以及处理车内和车外的干扰。不注意周围的物体和事件并做出反应可能会导致事故。道路基础设施和车辆机械设计的不断改进使驾驶总体上更加安全。然而，驾驶员注意力不集中的问题仍然是事故的主要原因之一。因此，了解驾驶员看向哪里以及他们为什么这样做可以帮助消除分心的来源并识别不安全的注意力模式。对驾驶员注意力的研究对许多实际应用都有影响，例如政策制定，改善驾驶员教育，加强道路基础设施和车载信息娱乐系统，以及设计驾驶员监控，驾驶员辅助和自动驾驶系统。这份报告涵盖了由于驾驶员内部和外部因素而导致的驾驶员视觉注意力分布变化的文献。驾驶过程中的注意力方面已经在多个学科中进行了探索，包括心理学，人为因素，人机交互，智能交通和计算机视觉，每个学科都为观察到的现象提供了不同的视角，目标和解释。我们将驾驶员注意力的跨学科理论和行为研究与实际解决方案联系起来。最后，讨论了研究的局限性和未来研究的方向。该报告基于自2010年以来发表的175项行为研究，近100篇实用论文，20个数据集和70多项调查。用于本报告的精选论文列表可在\url{https://github.com/ykotseruba/attention_and_driving}上查阅。
2021-12-13 cs.CV cs.RO
Data-driven Driver Model for Speed Advisory Systems in Partially Automated Vehicles
The Ohio State University（俄亥俄州立大学）
利用连接性和自动化的车辆控制算法，如互联和自动化车辆（CAV）或高级驾驶员辅助系统（ADAS），有机会提高节能效果。然而，较低水平的自动化涉及人机交互阶段，其中人类驾驶员的存在会影响闭环中控制算法的性能。这发生在例如作为速度咨询系统实施的生态驾驶控制算法的情况下，其中驾驶员被显示为要遵循的最佳速度轨迹以减少能量消耗。实现控制目标依赖于人类驾驶员完美地遵循推荐的速度。如果驾驶员无法遵循建议的速度，则可能会出现节能下降和车辆性能下降。这保证了创建方法来建模和预测人类驾驶员在使用速度咨询系统的环路中操作时的响应。这项工作的重点是开发一个基于序列到序列长短期记忆（LSTM）的驾驶员行为模型，该模型模拟了人类驾驶员在现实世界条件下与建议的期望车速轨迹的交互。驾驶模拟器用于数据汇集和训练驾驶员模型，然后将驾驶员模型与驾驶数据和确定性模型进行比较。结果表明，基于LSTM的模型与驾驶数据非常接近，表明该模型可以作为设计以人为本的速度咨询系统的工具。
2022-05-17 cs.RO cs.SY eess.SY
How to Evaluate Human-likeness of Interaction-aware Driver Models
针对交互感知驾驶员模型的类人性评估，本文提出结合视频研究与人类经验调查的定性评价与设计方法，以促进自动驾驶车辆安全高效地融入人类驾驶环境。
2024-03-04 cs.RO cs.SY eess.SY
