Decentralized Nonlinear Model Predictive Control for Safe Collision Avoidance in Quadrotor Teams with Limited Detection Range
New York University, Tandon School of Engineering（纽约大学坦登工程学院）
针对多四旋翼系统在传感与通信受限下的安全协调问题，提出集成指数控制障碍函数的去中心化非线性模型预测控制方法，提供检测范围最小下界保证，并通过仿真和实验验证其有效性与实用性。
2024-09-25 cs.MA cs.RO
Risk-aware Safe Control for Decentralized Multi-agent Systems via Dynamic Responsibility Allocation
Carnegie Mellon University（卡内基梅隆大学）；University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
针对无全局协调器的去中心化多智能体系统，提出一种基于受CBF启发的风险度量的动态责任分配框架，通过动态分配责任份额开发风险感知安全控制器，在无通信条件下提升系统整体安全性与运动效率。
2023-05-22 cs.AI cs.RO
Learning-'N-Flying: A Learning-based, Decentralized Mission Aware UAS Collision Avoidance Scheme
University of Pennsylvania（宾夕法尼亚大学）；University of California, Berkeley（加州大学伯克利分校）；Oregon State University（俄勒冈州立大学）
城市空中机动性，即数百架有人和无人驾驶飞机系统（UAS）执行各种任务（例如在城市内运送人员和货物）的场景，正在被接受为未来的交通解决方案。实现这一目标的关键要求之一是安全地管理这些城市空域的空中交通。由于空域的预期密度，这需要可以在线部署的快速自主解决方案。我们提出了Learning-'N-Flying（LNF）多UAS碰撞避免（CA）框架。它是分散的，在飞行中工作，允许由不同运营商管理的自主UAS在共享空域安全地执行复杂的任务，使用信号时序逻辑表示。我们最初制定了两个UAS的预测避碰问题作为一个混合整数线性规划，并表明它是难以在线解决的。相反，我们首先通过结合：a）基于学习的决策，和b）基于分散凸优化的控制来开发学习飞行（L2 F）。LNF将L2 F扩展到碰撞路径上有两个以上UAS的情况。通过大量的模拟，我们表明我们的方法可以在线运行（计算时间为毫秒级），并且在某些假设下，最坏情况下的故障率小于1%，在更宽松的操作中提高到接近0%。我们通过多个案例研究表明，我们的计划适用于各种各样的设置。
2021-01-25 cs.LG cs.RO cs.SY
PUMA: Fully Decentralized Uncertainty-aware Multiagent Trajectory Planner with Real-time Image Segmentation-based Frame Alignment
Massachusetts Institute of Technology（麻省理工学院）；Boeing Research & Technology（波音研究与技术）
针对去中心化多智能体轨迹规划中动态障碍与帧不对齐导致的碰撞风险，提出含不确定性感知规划器和图像分割帧对齐流水线的PUMA方案，仿真与硬件实验均实现低对齐误差，保障安全导航与避障。
2024-03-06 cs.MA cs.RO
Decentralized Uncertainty-Aware Multi-Agent Collision Avoidance with Model Predictive Path Integral
FRC CSC RAS（俄罗斯科学院应用数学与控制论研究所）；HSE University（俄罗斯高等经济大学）；AIRI（人工智能研究所）
针对不确定性下去中心化多智能体导航的避碰难题，提出融合概率化ORCA与MPPI、通过二阶锥规划嵌入安全约束的新方法，经仿真与Gazebo验证，在密集环境中成功率优于前沿方法，且具实际适用性。
2025-07-31 cs.RO
Decentralized Safe and Scalable Multi-Agent Control under Limited Actuation
University of Texas at Austin（德克萨斯大学奥斯汀分校）；Delhi Technological University（德里技术大学）；University of Virginia（弗吉尼亚大学）
针对现有多智能体控制方法难以同时兼顾安全性、驱动约束满足、死锁预防与大规模可扩展性的问题，提出融合神经ICBF、嵌入式MPC-ICBF及梯度优化死锁缓解的去中心化算法，在千级智能体场景下实现安全高效控制。
2024-09-15 cs.MA cs.RO cs.SY
Decentralized Safe Reactive Planning under TWTL Specifications
University of Minnesota（明尼苏达大学）
我们研究了一个多智能体规划问题，每个智能体的目标是实现一个单独的任务，同时避免与他人的冲突。我们假设每个代理的任务表示为一个时间窗口时序逻辑（TWTL）规范定义在一个3D环境。我们提出了一个分散的滚动时域算法在线规划的轨迹。我们表明，当环境是充分连接，所产生的代理轨迹总是安全的（无碰撞），并导致满意的TWTL规范或其有限的时间松弛。因此，死锁总是被避免，并保证每个代理在最坏的情况下，以有限的时间延迟安全地完成其任务。所提出的算法的性能通过数值模拟和实验证明与四旋翼。
2020-07-23 cs.MA cs.RO cs.SY
Provably Safe Decentralized Contingency MPC under State-Only Information and Limited Sensing for Nonlinear Multi-agent Systems
针对仅状态信息与有限感知下的非线性多智能体系统，提出可证安全的分散式应急模型预测控制方法，通过新颖安全集更新机制降低保守性，在密集场景中验证了其有效性。
2026-09-01 cs.MA cs.RO cs.SY
DCAD: Decentralized Collision Avoidance with Dynamics Constraints for Agile Quadrotor Swarms
University of Maryland, College Park（马里兰大学帕克分校）
我们提出了一种新的，分散的避碰算法，用于在密集的环境中导航的四旋翼机群与静态和动态的障碍物。我们的算法依赖于最优相互碰撞避免（ORCA）的概念，并利用基于平坦度的模型预测控制（MPC）来生成每个四旋翼的局部无碰撞轨迹。我们前馈线性化的非线性动力学的四旋翼，并随后在我们的MPC框架中使用这个线性化的模型。我们的方法是下洗意识和计算安全的轨迹，避免四旋翼进入对方的下洗区域在近距离机动。此外，我们占的不确定性感测的位置和速度数据使用卡尔曼滤波。我们评估我们的算法与其他国家的最先进的方法的性能，并证明其优越的性能，在高速机动过程中产生的轨迹的平滑度和碰撞的概率较低。
2019-12-02 cs.RO
LIVEPOINT: Fully Decentralized, Safe, Deadlock-Free Multi-Robot Control in Cluttered Environments with High-Dimensional Inputs
University of Virginia（弗吉尼亚大学）
提出 LIVEPOINT 去中心化框架，直接基于点云构建通用 CBF，并用对称交互度量调节速度，实现动态杂乱环境中安全、无死锁且平滑的实时多机器人导航。
2025-03-17 cs.MA cs.RO cs.SY
Decentralized Safe Multi-Agent Reinforcement Learning via Predictive Shielding
ENSTA（国立高等先进技术学院）；IP Paris（巴黎理工学院）；UC Berkeley（加州大学伯克利分校）
提出一种去中心化框架，结合预测屏蔽与基于模型的有限时域Q学习，使多智能体在部署中安全调整策略，并引入无通信协议解决对称场景中的活锁问题。
2026-09-09 cs.AI cs.MA cs.RO
Safety-Control of Mobile Robots Under Time-Delay Using Barrier Certificates and a Two-Layer Predictor
Wayne State University（韦恩州立大学）
执行快速和敏捷的机动是必不可少的自主移动机器人的安全操作。此外，时间延迟的存在限制了系统的响应时间，并且妨碍了安全性能。因此，本文提出了一种模块化和可扩展的安全控制设计，利用史密斯预测器和障碍证书，以安全和一致地避免不同的足迹障碍。所提出的解决方案包括一个两层的预测补偿伺服系统和角度控制回路中的时间延迟。建议的预测器配置显着提高了瞬态性能，并减少了响应时间。障碍证书用于确定机器人航向角的安全范围，以避免碰撞。所提出的避障技术可以方便地与各种轨迹跟踪算法集成，从而提高了设计的灵活性。角度条件是自适应计算和校正机器人的航向角和角速度。此外，该方法还可以适应多个障碍物，并从障碍物的形状，数量和分布来简化控制结构。该控制结构只有8个可调参数，便于大型移动机器人系统的控制校准和调整。大量的实验结果验证了安全控制的有效性。
2021-04-30 cs.RO cs.SY eess.SY
Integrating Opinion Dynamics into Safety Control for Decentralized Airplane Encounter Resolution
针对去中心化飞机相遇安全控制存在的飞机行进受阻问题，本研究将生物启发的非线性意见动力学整合进安全控制框架，无需通信或预设规则即可实现协同决策与快速安全协调，仿真验证了飞行效率与安全性的提升，为自主控制器设计提供参考。
2025-07-31 cs.SY eess.SY
Inverse Safety Filtering: Inferring Constraints from Safety Filters for Decentralized Coordination
Department of Electrical Engineering and Computer Sciences, University of California Berkeley（加州大学伯克利分校电气与计算机科学与工程系）；Oden Institute, University of Texas at Austin（德克萨斯大学奥斯汀分校奥登研究所）
本文提出一种在线方法，通过观察其他智能体的安全过滤动作推断约束，结合去中心化规划方法确保安全，通过仿真和硬件实验验证有效性。
2026-04-03 cs.SY eess.SY
Decentralized Goal Assignment and Safe Trajectory Generation in Multi-Robot Networks via Multiple Lyapunov Functions
GRASP Lab, School of Engineering and Applied Science, University of Pennsylvania（宾夕法尼亚大学工程与应用科学学院GRASP实验室）
本文研究了在仅本地通信可用的情况下多机器人网络的去中心化目标分配与轨迹生成问题，提出了一种基于切换系统和集合不变性方法的解决方案。通过使用一组李雅普诺夫-like函数编码候选目标分配的局部决策，使连接的代理选择最短总距离到目标的分配。当最优分配可能导致碰撞轨迹时，使用另一组李雅普诺夫-like屏障函数来维持系统安全并保持收敛保证。所提出的切换策略产生计算高效且可扩展的反馈控制策略，适用于在有限信息共享下机器人网络的快速响应部署。
2019-10-03 cs.MA cs.RO cs.SY
Auction-Based Responsibility Allocation for Scalable Decentralized Safety Filters in Cooperative Multi-Agent Collision Avoidance
German Aerospace Center (DLR), Institute of Flight Systems（德国航空航天中心（DLR）飞行系统研究所）
提出基于高阶控制屏障函数和拍卖责任分配的可扩展去中心化安全滤波器，通过非对称分配约束减少计算负荷，实现多智能体协同避碰。
2026-06-19 cs.SY eess.SY
Safe Decentralized Density Control of Multi-Robot Systems using PDE-Constrained Optimization with State Constraints
University of Waterloo（滑铁卢大学）
本文提出了一种去中心化优化密度控制器，通过设计去中心化控制屏障函数，确保局部安全约束下的全局安全。采用Fokker-Planck方程建模机器人空间概率密度函数，降低计算和通信开销，通过四架四旋翼飞行器的仿真和实验验证有效性。
2025-10-23 cs.SY eess.SY
Decentralized Safe Path Following for Multiple Quadrotors on Intersecting Paths with Theoretical Guarantees
New Jersey Institute of Technology（新泽西理工学院）
本文提出一种基于约束二次规划的分散式控制器，通过仅放宽沿路径速度约束，在交叉路径上实现多四旋翼的碰撞避免与严格路径跟踪，并给出理论保证及物理引擎验证。
2026-10-02 cs.RO cs.SY eess.SY
Fully Decentralized and Safety-Aware Multi-Agent Reinforcement Learning for Control on Networks
Stevens Institute of Technology（史蒂文斯理工学院）
本文提出一种完全分布式且安全感知的多智能体强化学习算法，通过图编码器与状态估计器增强系统感知，并利用控制屏障启发式减少节点忽视，在持续监测等网络控制问题上实现比集中式策略低26.3%的平均不确定性。
2026-09-30 cs.MA cs.SY eess.SY
Safety Evaluation of Motion Plans Using Trajectory Predictors as Forward Reachable Set Estimators
Department of Electrical Engineering, University of Southern California（电气工程系，美国南加州大学）；Department of Aeronautics and Astronautics, Stanford University（航空与宇航系，斯坦福大学）；NVIDIA Research（NVIDIA研究）
针对端到端自动驾驶栈运动规划的安全验证需求，提出一种利用多模态轨迹预测器近似前向可达集的安全监控器，通过凸规划提取、共形预测校准及贝叶斯滤波器动态调整，在nuScenes数据集上实现了完备性与可靠性的兼顾。
2025-07-30 cs.RO cs.SY eess.SY
Decentralized Model Predictive Control of Connected and Automated Vehicles with Coupled Safety Constraints
ETH Zürich（苏黎世联邦理工学院）
研究无车道高速公路上CAV控制问题，针对其非线性动力学和安全约束挑战，采用分散MPC算法，开发解耦方法转化约束，仿真表明算法实现安全高效轨迹且提升可扩展性，指出最佳控制策略取决于多方面权衡。
2026-07-14 cs.SY eess.SY
Decentralized Safe Reinforcement Learning for Voltage Control
基于逆变器的分布式能源通过快速调节其无功功率为快速时标电压控制提供了可能性。电力电子接口允许这些资源实现几乎任意的控制律，但设计这些分散控制器是不平凡的。强化学习（RL）方法越来越受欢迎，用于搜索由神经网络参数化的策略。然而，很难强制执行学习控制器是安全的，因为它们可能会将不稳定性引入系统。提出了一种电压控制的安全学习方法。我们证明了系统是指数稳定的，如果每个控制器满足一定的Lipschitz约束。优化了Lipschitz界集，扩大了神经网络控制器的搜索空间。我们显式设计神经网络控制器的结构，使它们通过设计满足Lipschitz约束。构建了一个分散的强化学习框架，用于在无模型设置中训练每条总线上的局部神经网络控制器。
2021-10-03 cs.SY eess.SY
Decentralized Affine Transformation for Scalable and Safe Multi-Agent Aerial Coordination
University of Arizona（亚利桑那大学）
该研究提出分布式仿射变换框架，将二维AT建模为分布式主从问题，通过微型四旋翼无人机实验验证其可安全引导多智能体穿越狭窄受限环境且符合理论收敛性。
2026-08-07 cs.SY eess.SY
Safe and Energy-Aware Decentralized PDE-Constrained Optimization-Based Control of Multi-UAVs for Persistent Wildfire Suppression
University of Waterloo（滑铁卢大学）
本文提出一种安全节能的多无人机灭火控制框架，通过集中密度控制器与局部信息扩展实现火灾特定控制Lyapunov函数，确保危险区避障和充电区域可达性。
2026-10-06 cs.SY eess.SY
Safety-Critical Control for Quadrotor UAVs via Decentralized Navigation Functions
Universidad Politécnica de Madrid（马德里理工大学）；School of Science and Technology, IE University（IE大学科学与技术学院）；Centre for Automation and Robotics (CSIC-UPM)（自动化与机器人中心（西班牙国家科学研究委员会-马德里理工大学））
针对学习到的模型不确定性下的四旋翼无人机团队，提出基于分布式导航函数的安全关键控制方法，构造推力-姿态实现并设计聚合鲁棒HOCBF-QP安全滤波器，实现高概率两两避碰。
2026-08-14 cs.SY eess.SY math.OC
Learning Safe Multi-Agent Control with Decentralized Neural Barrier Certificates
Massachusetts Institute of Technology（麻省理工学院）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；California Institute of Technology（加州理工学院）
我们研究了多智能体安全控制问题，其中智能体应避免碰撞静态障碍物和相互碰撞，同时达到自己的目标。我们的核心思想是学习多智能体控制策略，学习控制屏障功能作为安全证书。我们提出了一种新的联合学习框架，可以以分散的方式实现，并为某些函数类提供泛化保证。这样一个分散的框架可以适应任意数量的代理。在此框架的基础上，我们进一步提高了可扩展性，通过将神经网络架构，是不变的数量和排列的相邻代理。此外，我们提出了一个新的自发的政策细化方法，以进一步加强在测试过程中的证书条件。我们提供了大量的实验来证明，我们的方法显着优于其他领先的多智能体控制方法在保持安全性和完成原始任务。我们的方法还显示出特殊的泛化能力，在一个场景中，控制策略可以用8个代理进行训练，而在复杂的多代理环境和动态中，控制策略可以用多达1024个代理进行训练。
2021-04-17 cs.AI cs.MA cs.SY
Decentralized Safety-Critical Control of Resilient DC Microgrids with Large-Signal Stability Guarantees
针对直流微电网现有初级控制器缺乏严格安全保证、易牺牲扩展性等问题，提出结合控制屏障函数与端口哈密顿理论的分布式安全关键控制器，实现分散式可扩展安全镇定，经仿真验证在多故障场景下具备优势。
2025-09-04 cs.SY eess.SY
DEC-LOS-RRT: Decentralized Path Planning for Multi-robot Systems with Line-of-sight Constrained Communication
University of California at Berkeley（加州大学伯克利分校）
多智能体系统的分散规划，例如搜索和救援行动中的机器人舰队，通常受到智能体如何相互通信的限制。一个这样的限制是当代理只能在视线（LOS）中时才能彼此通信的情况。在这种情况下，开发分散的规划方法来保证安全是很困难的，因为相互封闭的代理可能无法通信，直到为时已晚才能避免违反安全规定。在本文中，我们开发了一个分散的规划方法，明确避免的情况下，缺乏其他代理的可见性将导致不安全的情况。建立在现有的快速探索随机树（RRT）为基础的方法之上，我们的方法保证在每次迭代的安全性。仿真研究表明，我们的方法的有效性，并比较性能退化方面的千里眼分散规划算法，代理可以进行通信，尽管没有在LOS的对方。
2022-03-04 cs.RO cs.SY eess.SY
Decentralized CBF-based Safety Filters for Collision Avoidance of Cooperative Missile Systems with Input Constraints
German Aerospace Center (DLR)（德国航空航天中心）
针对多飞行器拦截场景，提出基于鲁棒控制屏障函数的去中心化安全滤波器，通过事件触发和松弛变量优化实现碰撞避免，兼顾计算效率与可扩展性。
2026-06-19 cs.SY eess.SY
A General Framework for Decentralized Safe Optimal Control of Connected and Automated Vehicles in Multi-Lane Intersections
我们解决的问题，最佳控制连接和自动驾驶汽车（CAV）从四个多车道的道路到达一个交叉口，他们在安全穿越（包括转弯）方面的冲突，没有碰撞。目标是在确保安全的同时，共同最大限度地减少每辆CAV的旅行时间和能耗。这个问题在单车道道路的先前工作中得到解决。直接扩展到每条道路上的多个车道是有限的，所需的计算复杂性，以获得显式的最优控制解决方案。相反，我们提出了一个一般的框架，首先转换成一个分散的最优控制问题，每个CAV的多车道交叉口的问题，保守的安全约束比以前的工作。然后，我们采用了一种方法相结合的最优控制和控制障碍函数，已被证明有效地跟踪易处理的无约束的最优CAV轨迹，同时也保证满足所有的约束。仿真实例表明，该框架下的对称和非对称的交叉口几何形状和不同的CAV排序方案的有效性。
2020-10-06 cs.SY eess.SY math.OC
Decentralized On-line Task Reallocation on Parallel Computing Architectures with Safety-Critical Applications
针对并行计算体系结构中安全关键型应用，提出了一种分布式分配算法，其中单个计算单元可能受到故障的影响。所描述的方法在于通过抽象图来表示架构，其中每个节点表示计算单元。应用程序也由它们执行所需的计算单元图表示。然后，问题是决定如何将计算单元分配给应用程序以保证安全关键应用程序的执行。该问题被表述为一个优化问题，其形式为线性规划。然后使用最先进的求解器来解决问题。分散分配过程是通过在架构上执行的分配器的冗余来实现的。没有集中的元件决定整个架构的分配，从而提高了系统的可靠性。还提出了一个多核架构的实验再现。它被用来证明拟议的分配过程的能力，以维持一个分散的方式运行的物理系统，而个别组件发生故障。
2019-11-19 cs.DC cs.SY eess.SY
Decentralized Merging Control of Connected and Automated Vehicles to Enhance Safety and Energy Efficiency using Control Barrier Functions
Southwest Research Institute（西南研究院）
本研究提出一种基于去中心化控制屏障函数的网联自动驾驶车辆高速合流控制方法，采用预测-校正循环协商无优先级车辆动作，经蒙特卡洛仿真验证，相比先入先出方法及中心化控制器，在能效、流量和鲁棒性上均有提升。
2025-10-30 cs.SY eess.SY
State space models vs. multi-step predictors in predictive control: Are state space models complicating safe data-driven designs?
该研究对比线性预测控制中的状态空间模型与多步预测器，梳理两类模型在随机最优控制、系统辨识等问题中的应用优劣，还提出了带参数不确定性的多步预测器随机预测控制的新约束收紧方法。
2023-10-06 cs.SY eess.SY math.OC
Manifold-constrained Hamilton-Jacobi Reachability Learning for Decentralized Multi-Agent Motion Planning
Purdue University（普渡大学）
提出流形约束的 HJR 学习框架，通过求解流形约束下的 HJR 问题获取任务感知安全条件，并集成到去中心化轨迹优化规划器中，实现安全且任务可行的多智能体运动规划。
2026-07-02 cs.RO cs.SY eess.SY
Decentralized Optimal Merging Control for Connected and Automated Vehicles
Boston University（波士顿大学）
本文研究了联网自动化车辆在合并点的最优控制问题，旨在共同最小化每辆车的行驶时间和能耗，同时保证速度相关的安全约束在合并点及控制区内的持续满足。通过分析无主动约束的情况，证明在特定条件下安全约束保持非活跃，从而简化了显式去中心化解的确定。当这些条件不适用时，仍能获得包含安全约束活跃区间的显式解。分析结果有助于研究行驶时间和控制区内的能耗之间的权衡。
2018-11-27 cs.RO cs.SY eess.SY
Noncooperative Coordination for Decentralized Air Traffic Management
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文通过设计激励和信号重塑个体最优性，提出了一种非合作协调的统一视角，并在可扩展均衡工程、分散机制设计和结构化非合作动力学三个方向推进了该框架。
2026-05-23 cs.SY eess.SY
Scalable Decentralized Cooperative Platoon using Multi-Agent Deep Reinforcement Learning
German University in Cairo（开罗德国大学）
针对智能交通中车辆队列行驶的性能与安全需求，提出基于Unity 3D和深度强化学习的可扩展去中心化协作队列方法，通过“共享与关怀”通信框架提升车队及单车性能鲁棒性，改善道路安全与拥堵。
2023-12-11 cs.AI cs.MA cs.RO
Decentralized Event-Triggered Online Learning for Safe Consensus of Multi-Agent Systems with Gaussian Process Regression
Technical University of Munich（慕尼黑工业大学）；Harbin Institute of Technology（哈尔滨工业大学）；Robert Koch Institute（罗伯特·科赫研究所）；Freie Universität Berlin（柏林自由大学）
本文提出一种基于高斯过程回归的分散事件触发在线学习控制律，用于多智能体系统在未知动力学下的安全共识，并通过Lyapunov理论保证性能，对比实验验证其优于传统及离线方法。
2024-02-05 cs.LG cs.SY eess.SY
Deep and Decentralized Multi-Agent Coverage of a Target with Unknown Distribution
本文提出一种将通信图转化为神经网络并以去中心化方式训练时变通信权重的方法，实现多智能体对未知分布目标的安全、快速覆盖，并证明了方法收敛性。
2023-07-10 cs.SY eess.SY
Decentralized Vehicle Coordination and Lane Switching without Switching of Controllers
本文提出一种基于高阶控制屏障函数和Lyapunov函数的分散式控制器，通过协调函数实现无需控制器切换的安全变道与碰撞避免。
2023-05-08 cs.SY eess.SY
Are Smart Contracts and Blockchains Suitable for Decentralized Railway Control?
本文探讨了去中心化铁路控制，提出一种首创的基于区块链的原型实现，确保系统状态无冲突且安全，简化计费并支持列车对列车经济，同时展望了区块链在预测性维护中的应用。
2019-01-18 cs.DC cs.NI cs.SY
Decentralized Time and Energy-Optimal Control of Connected and Automated Vehicles in a Roundabout
本文考虑了控制互联和自动驾驶车辆（CAV）通过三入口环形交叉口的问题，以便联合最小化行程时间和能量消耗，同时提供速度相关的安全保证，以及满足速度和加速度约束。首先，我们设计了一个系统的方法来动态地确定安全约束，并推导出无约束的最优控制解。联合最优控制和障碍函数（OCBF）的方法，然后有效地获得一个控制器，最佳地跟踪无约束的最优解，同时保证所有的约束。仿真实验进行比较的最优控制器的基线人类驾驶的车辆显示有效性下对称和不对称的环岛配置，平衡和不平衡的交通流量和不同的排序规则的CAV。
2021-04-13 cs.SY eess.SY
RADMPC: A Fast Decentralized Approach for Chance-Constrained Multi-Vehicle Path-Planning
Computer Science and Artificial Intelligence Laboratory（计算机科学与人工智能实验室）；Massachusetts Institute of Technology（麻省理工学院）
本文提出了一种基于去中心化路径规划方法RADMPC的快速机会约束多车辆路径规划方法，通过评估车辆交互来确定需要耦合规划的车辆集，并利用IRA在较小的车辆集上快速规划安全路径，从而显著提高计算效率。
2018-11-25 cs.AI cs.MA cs.RO
Decentralized Robust Data-driven Predictive Control for Smoothing Mixed Traffic Flow
针对混合交通中集中式CAV控制的可扩展性、隐私性与鲁棒性问题，提出去中心化鲁棒DeeP-LCC方法，通过本地数据计算与邻域交互扰动建模，在保障隐私与安全的同时提升计算效率与交通流平滑效果。
2024-10-06 cs.SY eess.SY math.OC
Safe and Human-Like Autonomous Driving: A Predictor-Corrector Potential Game Approach
本文提出面向自动驾驶的预测-校正势博弈决策框架，通过预测器预定义代价函数、校正器利用实际行为偏差修正预测误差，兼具多车博弈求解保障、计算可扩展、安全可控等优势，在多种交通场景下效果优于现有方法。
2023-11-09 cs.SY eess.SY
Heterogeneous Predictor-based Risk-Aware Planning with Conformal Prediction in Dense, Uncertain Environments
School of Electrical Engineering, Korea Advanced Institute of Science and Technology (KAIST)（电气工程学院，韩国科学技术院）
针对密集不确定环境中动态障碍物实时规划的算力浪费问题，提出H-PRAP框架，通过P-CRI和共形预测分配异构预测算力，结合机会约束MPC，在轨迹成功率与效率间实现最优平衡。
2025-10-01 cs.RO cs.SY eess.SY
Robust Safety for Mixed-Autonomy Traffic with Delays and Disturbances
针对混合交通中CAV的执行器、传感器时延及扰动会破坏安全保证的问题，提出鲁棒安全关键交通控制RSTC，通过带误差界的状态预测器、鲁棒CBF约束及结合观测器的预测型CBF实现鲁棒安全，仿真验证其可在两类危险场景下避免追尾。
2023-10-06 cs.SY eess.SY
A Convergence Predictor Model for Consensus-based Decentralised Energy Markets
针对去中心化能源市场共识机制可能遭受网络攻击的问题，提出基于逐次延长贝叶斯逻辑回归和净功率平衡特征的CPM，以低维方式实时预测收敛概率，并在压力数据集上实现低于0.01%的净错误率。
2023-08-18 cs.SY eess.SY
Safe Decentralized Operation of EV Virtual Power Plant with Limited Network Visibility via Multi-Agent Reinforcement Learning
Department of Data Science and AI, Faculty of IT, Monash University（蒙纳士大学信息技术学院数据科学与人工智能系）；Monash Energy Institute, Monash University（蒙纳士大学蒙纳士能源研究所）
本文提出一种安全增强的虚拟电厂框架，利用多智能体强化学习在有限信息约束下协调多个电动汽车充电站，确保电压安全并维持经济运行。
2026-03-24 cs.AI cs.SY eess.SY
Safety-Critical Formation Control of Non-Holonomic Multi-Robot Systems in Communication-Limited Environments
Robotics Engineering Department, Worcester Polytechnic Institute（沃斯彻斯特理工学院机器人工程系）；Electrical Engineering Department, California Polytechnic State University（加州州立大学弗雷斯诺分校电子工程系）
针对通信受限的非完整多机器人编队，提出融合鲁棒状态估计与 CBF 的去中心化安全关键控制器，实现无通信条件下的稳定跟踪、避碰和扰动抑制。
2025-05-10 cs.RO cs.SY eess.SY
Multi-Predictor Fusion: Combining Learning-based and Rule-based Trajectory Predictors
NVIDIA Research（英伟达研究院）；Stanford University（斯坦福大学）
本文提出多预测器融合（MPF）算法，通过信念分布概率性地结合基于学习与基于规则的轨迹预测器，在多种指标上优于单一预测器并实现更稳定一致的性能。
2023-07-03 cs.LG cs.RO cs.SY
Decentralized On-Ramp Merging Control of Connected and Automated Vehicles in the Mixed Traffic Using Control Barrier Functions
互联车辆与自动驾驶车辆（CAV）的协同控制是缓解交通拥堵、提高交通安全的有效途径，特别是在入口匝道瓶颈路段。然而，在混合交通中，人类驾驶车辆（HDVs）的不确定性使得CAV的入口匝道并入控制更具挑战性。针对混合交通条件下高速公路入口匝道的CAV合流控制问题，提出了一种分散最优控制方法。我们首先制定的最优合并控制问题，其中包括安全和车辆动力学的约束，以最小化行程时间和能源消耗的目标。然后，提出了一种结合控制障碍函数和控制李雅普诺夫函数的控制框架。CBF使系统受到安全关键约束，而CLF使系统稳定到目标。此外，为了有效控制混合交通流中的CAV，提出了一种递归合并控制框架，将HDV视为干扰，CAV重复收集周围车辆的状态并递归更新其轨迹，以满足严格的合并要求。最后，合并问题被重新表述为一个二次规划问题，它允许实时应用。仿真结果表明，所提出的入口匝道合流控制方法具有较强的鲁棒性，能有效地抑制HDV的干扰，提高车辆的通行效率和节能效果。
2021-11-01 cs.SY eess.SY
A Modified Riccati Transformation for Decentralized Computation of the Viability Kernel Under LTI Dynamics
University of British Columbia（不列颠哥伦比亚大学）；University of California at Berkeley（加州大学伯克利分校）；University of New Mexico（新墨西哥大学）
针对LTI系统，提出一种修正Riccati变换将系统分解为低维子系统，实现生存核的分散保守计算，显著降低复杂度。
2013-02-25 cs.SY eess.SY math.OC
Flexible MPC-based Conflict Resolution Using Online Adaptive ADMM
在集中式方法不可行的许多地方，需要自主车辆的分散式冲突解决方案，例如，停车场、乡村道路、合并车道等。然而，现有的方法通常没有在分散式冲突解决中充分利用优化。我们提出了一个分散的冲突解决方法，自动驾驶汽车的基础上的一个新的扩展交替方向乘法器（ADMM），称为在线自适应ADMM（OA-ADMM），和模型预测控制（MPC）。OA-ADMM是为在线系统量身定制的，快速和自适应的实时优化至关重要，并允许使用有关物理系统的安全信息来提高实时控制的安全性。我们证明了在静态情况下的收敛性，并给出了在线收敛的要求。结合OA-ADMM和MPC，可以实现强大的分散式运动规划和控制，无缝集成分散式冲突解决方案。我们所提出的方法的有效性，通过模拟CARLA，一个开源的车辆模拟器，导致减少47.93%的平均增加的延迟相比，下一个最好的方法。
2021-03-25 cs.SY eess.SY
