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
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
Examining the Effects of Emotional Valence and Arousal on Takeover Performance in Conditionally Automated Driving
University of Michigan(密歇根大学);University of Michigan-Dearborn(密歇根大学迪尔伯恩分校);State Farm Mutual Automobile Insurance Company(州立农场相互汽车保险公司)
在有条件自动驾驶中,驾驶员很难进行接管过渡,因为他们越来越与驾驶的操作层面脱钩。影响收购绩效的因素,如收购前置时间和非驾驶相关任务的参与,在过去已经研究过。然而,尽管情绪在人机交互和手动驾驶中发挥着重要作用,但人们对情绪如何影响驾驶员的接管性能知之甚少。因此,本研究探讨了情绪效价和唤醒对有条件自动驾驶中驾驶员接管及时性和质量的影响。我们对32名参与者进行了驾驶模拟实验。播放电影片段进行情绪诱导。研究人员要求具有不同情绪效价和唤醒水平的参与者从自动驾驶中接管控制权,并分析了他们的接管时间和质量。结果表明,积极的效价导致更好的接管质量的形式,一个较小的最大产生的加速度和一个较小的最大产生加加速度。然而,高唤醒并没有在接管时间上产生优势。本研究通过展示情绪效价和唤醒如何影响接管绩效,为文献做出了贡献。积极情绪的好处从手动驾驶延续到有条件自动驾驶,而唤醒的好处则没有。
2020-01-13 cs.AI cs.CY cs.HC
Clustering-based Criticality Analysis for Testing of Automated Driving Systems
FZI Research Center for Information Technology(FZI信息技术研究中心)
针对自动驾驶系统基于场景测试中存在的场景冗余问题,提出通过聚类单个逻辑场景下的具体场景来缩减场景集的方法,可提升测试效率并揭示系统行为的模式与潜在问题。
2023-07-24 cs.RO cs.SE
An Application of Scenario Exploration to Find New Scenarios for the Development and Testing of Automated Driving Systems in Urban Scenarios
FZI Research Center for Information Technology(FZI信息技术研究中心);IPG Automotive GmbH(IPG汽车有限公司)
验证和确认是开发自动驾驶系统的主要挑战。在自动驾驶测试中,越来越多的人认识到一个概念,那就是基于Asio的测试。然而,它引入了一个问题,即哪些场景与测试相关,哪些场景与测试无关。这项工作的目的是找到相关的,有趣的,或关键的参数集的逻辑方案,利用贝叶斯优化和高斯过程。在两个城市交叉口的场景中,通过比较和评估六种不同的指标来进行参数优化。最后,提出了这项工作产生的以及应该进一步研究的想法清单。
2022-05-17 cs.LG cs.RO cs.SE
Reinforced Imitative Trajectory Planning for Urban Automated Driving
本文提出一种结合强化学习与模仿学习的多步轨迹规划方法,引入基于Transformer的贝叶斯奖励函数和混合驱动框架,在nuPlan数据集上显著优于基线并媲美最先进方法。
2025-07-16 cs.AI cs.RO
A Survey on Scenario-Based Testing for Automated Driving Systems in High-Fidelity Simulation
Columbia University(哥伦比亚大学);Alibaba-NTU Joint Research Institute(阿里巴巴-南洋理工大学联合研究所);Nanyang Technological University(南洋理工大学);Universidade Federal Fluminense(弗卢米嫩塞联邦大学)
近年来,自动驾驶系统(ADS)取得了快速发展。为确保这些系统安全可靠,当局现正进行广泛测试,以便日后大规模部署。在道路上测试系统是最接近现实世界和理想的方法,但它的成本令人难以置信。此外,使用这种真实世界的测试来覆盖罕见的角落情况是不可行的。因此,一个流行的替代方法是评估ADS在一些精心设计的具有挑战性的场景中的性能,也就是基于场景的测试。高保真模拟器已被广泛用于这种设置,以最大限度地提高灵活性和方便性,在测试假设场景。虽然已经提出了许多作品提供不同的框架/方法来测试特定的系统,这些作品之间的比较和连接仍然缺失。为了弥合这一差距,在这项工作中,我们提供了一个通用的制定基于MIMO的测试在高保真仿真和现有的作品进行文献综述。我们进一步比较了它们,并提出了开放的挑战以及潜在的未来研究方向。
2021-12-02 cs.AI cs.LG cs.RO
Agents for Automated User Experience Testing
INESC-ID
软件功能测试的自动化使得开发人员能够在整个开发的迭代阶段不断检查对功能的负面影响。但对于用户体验(UX)来说,情况并非如此,迄今为止,UX几乎完全依赖于对真实用户的测试。用户测试是一项缓慢的工作,可能成为开发交互式系统的瓶颈。为了解决这个问题,我们在这里提出了一个基于代理的自动UX测试方法。我们开发具有基本问题解决技能和核心影响模型的代理,使我们能够在他们穿越游戏的不同级别时模拟人工情感状态。虽然这项研究仍然处于原始状态,但我们相信这里的结果为使用具有情感计算模型的智能代理自动化UX测试提供了强有力的理由。
2021-04-13 cs.AI cs.SE
Real-World Perturbation Testing of Autonomous Driving Systems
Technical University of Munich(慕尼黑技术大学);fortiss GmbH(fortiss公司)
研究自动驾驶系统在多样条件下的可靠性,通过72种相机和激光雷达扰动,在三种测试模式下评估,揭示测试水平差距及实时可行性的关键作用。
2026-07-07 cs.RO cs.SE
Towards a Framework to Manage Perceptual Uncertainty for Safe Automated Driving
University of Waterloo(滑铁卢大学)
感知是自动驾驶汽车的安全关键功能,机器学习(ML)在其实现中起着关键作用。该立场文件确定了(1)感知不确定性作为用于定义安全要求的性能指标,以及(2)使用监督ML时的影响因素。这项工作是迈向一个框架,测量和控制这些因素的影响,并提供证据,以支持有关知觉的不确定性索赔的第一步。
2019-03-03 cs.AI 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
Improving Automated Driving through POMDP Planning with Human Internal States
Stanford University(斯坦福大学)
这项工作研究的假设,部分可观察马尔可夫决策过程(POMDP)规划与人类驾驶员的内部状态,可以显着提高安全性和效率,在自动高速公路驾驶。我们在一个模拟场景中评估了这一假设,在这个场景中,自动驾驶汽车必须安全地连续进行三次车道变换。通过观测加宽部分可观测蒙特卡罗规划(POMCPOW)算法得到了POMDP的近似解。这种方法优于过度自信和保守的MDP基线,并匹配或优于QMDP。相对于MDP基准,POMCPOW通常将不安全情况的发生率降低一半或将成功率提高50%。
2022-06-09 cs.AI 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
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
Driving Style Encoder: Situational Reward Adaptation for General-Purpose Planning in Automated Driving
Volkswagen AG(大众汽车公司);Technische Universität Darmstadt(达姆施塔特工业大学)
自动驾驶的通用规划算法结合了任务、行为和局部运动规划。这种规划算法将环境和驾驶运动学的特征映射到复杂的奖励函数中。为了实现这一目标,规划专家通常依赖于线性奖励函数。这些奖励函数的规范和调优是一个繁琐的过程,需要大量的经验。此外,手动设计的线性奖励函数不能在不同的驾驶情况下推广。在这项工作中,我们提出了一种基于逆强化学习的深度学习方法,该方法可以生成依赖于情境的奖励函数。我们的神经网络提供了一个基于模型预测控制的规划器的采样驾驶策略的特征和动作之间的映射,并预测即将到来的规划周期的奖励函数。在我们的评估中,我们将深度网络预测的奖励函数的驱动风格与聚类和线性奖励函数进行了比较。我们提出的深度学习方法优于集群线性奖励函数,并且与具有有关情况的先验知识的线性奖励函数相当。
2020-09-13 cs.AI cs.LG cs.RO
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
Testing predictive automated driving systems: lessons learned and future recommendations
University of Alcalá(阿尔卡拉大学);Joint Research Centre, European Commission(欧盟委员会联合研究中心)
传统车辆通过传统方法进行认证,在测试轨道上设置不同的物理认证测试,以评估所需的安全水平。这些方法非常适合复杂性有限、与其他实体的交互有限的车辆作为最后一秒的资源。然而,这些方法不允许对关键和边缘情况下的真实行为进行安全性评估,也不允许评估在中期或长期内预测它们的能力。这对于自动驾驶和自主驾驶功能尤其重要,这些功能利用先进的预测系统来预测路径规划层中要考虑的未来动作和运动。在本文中,我们提出并分析了在BRAVE项目框架内开发的自动驾驶功能中的几个预测系统的试验场物理测试结果。根据我们在测试预测性自动驾驶功能方面的经验,我们确定了当前物理测试方法在处理预测性系统时的主要局限性,分析了未来的主要挑战,并提供了一系列实际行动和建议,供未来自动驾驶和自动驾驶功能的物理测试程序考虑。
2022-04-25 cs.AI cs.RO cs.SY
TUM Teleoperation: Open Source Software for Remote Driving and Assistance of Automated Vehicles
Institute of Automotive Technology Technical University of Munich(汽车技术研究所慕尼黑技术大学)
针对现有开源软件无法同时结合自动驾驶车辆远程驾驶与远程辅助及实车测试的空白,提出一种模块化开源远程操作软件栈,支持与Autoware等自动驾驶软件交互及多平台集成,并在仿真和真实环境中验证了其延迟与性能。
2025-06-16 cs.HC cs.RO cs.SE
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
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
A Survey on Simulators for Testing Self-Driving Cars
Wayne State University(韦恩州立大学)
严格而全面的测试在训练自动驾驶汽车处理公共道路上可能出现的各种情况方面发挥着关键作用。在公共道路上进行的物理测试是不安全的,昂贵的,并不总是可重复的。这就是模拟测试有助于填补空白的地方,然而,模拟测试的问题是,它只与用于测试的模拟器以及模拟场景对真实环境的代表性一样好。在本文中,我们确定了一个好的模拟器必须具备的关键要求。此外,我们还提供了常用模拟器的比较。我们的分析表明,CARLA和LGSVL模拟器是目前最先进的自动驾驶汽车端到端测试模拟器,原因在本文中提到。最后,我们还介绍了当前模拟测试在我们迈向全自动驾驶汽车时继续面临的挑战。
2021-01-13 cs.RO
Scenario-Based Hierarchical Reinforcement Learning for Automated Driving Decision Making
Reasoning Chair RWTH Aachen University(推理主席 雷姆辛大学);Institute for Automotive Engineering RWTH Aachen University(汽车工程研究所 雷姆辛大学)
本文提出SAD-RL框架,通过分层强化学习结合场景化环境训练自动驾驶决策策略,解决了复杂任务泛化性与学习效率问题,实现安全行为。
2025-06-28 cs.AI cs.LG cs.RO
A Survey on Knowledge Graph-based Methods for Automated Driving
Robert Bosch GmbH(罗伯特·博世有限公司);Robert Bosch LLC(罗伯特·博世有限责任公司)
自动驾驶是计算机科学中最活跃的研究领域之一。深度学习方法在一般的机器学习,特别是自动驾驶(AD)方面取得了显着的突破。然而,仍然存在未解决的问题,以保证自动化系统的可靠性和安全性,特别是有效地将所有可用的信息和知识纳入驾驶任务。知识图谱(KG)最近获得了工业界和学术界的极大关注,因为它可以通过利用结构化、动态和关系数据而受益。具有对象之间的复杂关系和相互依赖性的图结构数据的复杂性对现有的机器学习算法提出了重大挑战。然而,知识图谱嵌入和图神经网络的最新进展允许将机器学习应用于图结构数据。因此,我们激励和讨论的潜在好处KG应用于AD的主要任务,包括1)本体2)感知,3)场景理解,4)运动规划,和5)验证。然后,我们调查,分析和分类的本体和知识库为基础的方法为AD。我们讨论了目前的研究挑战,并提出了有前途的未来研究方向为KG为基础的解决方案AD。
2022-09-30 cs.AI cs.LG cs.RO
NARRATE: A Multimodal Real-World Australian Driving Dataset for Human-Centred Explanations in Automated Driving
ARC Training Centre for Automated Vehicles in Rural and Remote Regions (AVR3)(澳大利亚农村及偏远地区自动驾驶车辆ARC培训中心);Université Gustave Eiffel(Gustave Eiffel大学);Queensland University of Technology (QUT)(昆士兰科技大学)
研究人员推出多模态真实世界澳大利亚驾驶数据集NARRATE,含2050个带注释事件,提供多类标签与情境意识注释,开展四项基准任务验证其价值,为开发以人为本的自动驾驶解释模型奠定基础。
2026-08-18 cs.AI cs.CL cs.CV
Driving with Style: Inverse Reinforcement Learning in General-Purpose Planning for Automated Driving
Volkswagen AG(大众汽车公司);Technische Universität Darmstadt(达姆施塔特工业大学)
行为和运动规划在自动驾驶中起着重要的作用。传统上,行为规划器用预定义的行为指示局部运动规划器。由于城市环境中场景的高度复杂性,可能会发生不可预测的情况,其中行为规划者无法匹配预定义的行为模板。最近,已经引入了通用规划器,其结合了行为和局部运动规划。这些通用规划器允许给定单个奖励函数的行为感知运动规划。然而,出现了两个挑战:首先,该函数必须将复杂的特征空间映射到奖励。其次,奖励功能必须由专家手动调整。手动调整此奖励函数成为一项繁琐的任务。在本文中,我们提出了一种方法,依赖于人类驾驶示范自动调整奖励功能。该研究为基于最大熵逆强化学习的通用规划者驾驶风格优化提供了重要的思路。我们评估我们的方法的基础上学习和演示的政策之间的期望值差异。此外,我们比较了人类驱动的轨迹与我们的计划器的最优策略下学习和专家调整的奖励函数的相似性。我们的实验表明,我们能够学习奖励函数超过手动专家调整的水平,没有事先的领域知识。
2020-09-12 cs.AI cs.LG cs.RO
Pass-Fail Criteria for Scenario-Based Testing of Automated Driving Systems
New Mobility Technologies Directorate(新移动技术局);Connected Places Catapult(互联城市弹射中心)
MUSICC项目创建了一个概念验证场景数据库,用于自动驾驶系统(ADS)验证的类型批准过程的一部分。这个过程必须包括一个高度自动化的方法来评估测试结果,因为在所需的规模上进行人工审查是不切实际的。本文提出了一个框架,用于评估ADS在正常运行中的行为安全性(即在没有组件故障或恶意行为的情况下执行动态驾驶任务)。确定了ADS性能的五个顶级评估标准。实现这些需要两种类型的结果评分规则:规定性的(必须始终遵循的可衡量规则)和基于风险的(不得经常发生的不良结果)。评分规则以程序设计语言定义,并将作为场景描述的一部分存储。基于风险的规则不能从单个测试用例中给出通过/失败的决定。相反,定义了一个框架来为每个功能场景(具有共同特性的测试用例集)做出决策。这考虑了许多单独测试的统计性能。这个框架的假设检验和场景选择的影响。
2020-05-26 cs.CY cs.RO cs.SE
Safe, Efficient, Comfort, and Energy-saving Automated Driving through Roundabout Based on Deep Reinforcement Learning
School of Traffic and Transportation, Beijing Jiaotong University(北京交通大学交通运输学院)
本研究利用深度强化学习(DDPG、PPO、TRPO)训练自动驾驶车辆通过环岛,设计多目标奖励函数,并通过层次分析法评估,发现TRPO在安全与效率上最优,且具备跨场景泛化能力。
2023-06-20 cs.AI cs.LG cs.RO
Anomaly Detection in Multi-Agent Trajectories for Automated Driving
Mercedes-Benz AG(梅赛德斯-奔驰股份公司);Ulm University(乌尔姆大学)
人类驾驶员可以快速识别异常驾驶情况,以避免事故。与人类类似,自动驾驶汽车应该执行异常检测。在这项工作中,我们提出了时空图自动编码器学习正常的驾驶行为。我们的创新是能够共同学习动态数量的代理的多个轨迹。为了执行异常检测,我们首先估计学习的轨迹特征表示的密度函数,然后检测低密度区域中的异常。由于缺乏用于自动驾驶中异常检测的多智能体轨迹数据集,我们使用驾驶模拟器介绍了我们的数据集,用于正常和异常操纵。我们的评估表明,我们的方法学习不同的代理之间的关系,并提供有前途的结果相比,相关的作品。代码、模拟和数据集可在https://github.com/againerju/maad_highway上公开获得。
2021-10-28 cs.LG cs.MA cs.RO
Co-simulation Platform for Developing InfoRich Energy-Efficient Connected and Automated Vehicles
Carnegie Mellon University(卡内基梅隆大学);General Motors Company(通用汽车公司)
随着传感、计算和通信技术的进步,互联和自动驾驶车辆(CAV)变得可行。CAV的出现为提高单个车辆的能源效率提供了新的机会。然而,由于安全考虑和可重复性,测试和验证节能自动驾驶系统是困难的。在本文中,我们提出了一个联合仿真平台,以开发和测试新的车辆生态自动驾驶技术,名为InfoRich,它结合了来自车载传感器,V2X通信和地图数据库的信息。协同仿真平台包括生态自动驾驶软件、车辆动力学和动力系统(VD&PT)模型以及交通环境模拟器。此外,我们利用合成驱动周期来自现实世界的驾驶数据来测试现实驾驶场景下的策略。为了从真实世界的驾驶数据中构建道路网络,我们开发了一个名为AutoPASCAL的地图/场景自动解析器和计算器。总体而言,仿真平台提供了一个真实的车辆模型,动力系统模型,传感器模型,交通模型和道路网络模型,以评估生态自动驾驶的能源效率。
2020-04-16 cs.RO cs.SE cs.SY
Description of Corner Cases in Automated Driving: Goals and Challenges
本文探讨了自动驾驶中角落情况的描述目标与挑战,强调了机器可解释描述的重要性及当前研究的不足。
2025-11-24 cs.LG 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
Design of Reward Function on Reinforcement Learning for Automated Driving
Innovative Research Excellence, Honda R&D Co., Ltd.(本田研发有限公司创新研究卓越部);Business Development Operations, Honda Motor Co., Ltd.(本田汽车有限公司业务开发运营部)
针对强化学习传统奖励函数不评估驾驶过程的问题,提出适配自动驾驶的过程式奖励函数设计方案,经模拟实验验证可实现合理的弯道与高速巡航驾驶行为。
2025-03-20 cs.RO
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
FastCycle: A Message Sharing Framework for Modular Automated Driving Systems
Interdisciplinary Centre for Security, Reliability and Trust (SnT), University of Luxembourg(卢森堡大学安全、可靠性与信任跨学科中心(SnT));University of Luxembourg(卢森堡大学)
自动驾驶系统(ADS)近年来发展迅速,其架构变得复杂。确保性能的稳健性、可靠性和安全性尤为重要。构建ADS的主要挑战是在做出安全操作决策和实时完成处理方面满足某些严格性能要求的能力。在ADS中,中间件在处理这些需求方面起着至关重要的作用。中间件在不同系统组件之间共享数据的方式直接影响整体性能,特别是延迟开销。为此,本文提出了FastCycle作为一个轻量级的多线程零拷贝消息代理,以满足高保真ADS的模块化,实时性能和安全性方面的要求。我们讨论的架构和所提出的框架的主要特点。与机器人和自动驾驶中使用的流行的中间件相比,基于标准指标的评估表明,我们的框架的性能得到了提高。FastCycle的实现以及与其他框架的相关比较都是开源的。
2022-11-28 cs.RO
Precise localization relative to 3D Automated Driving map using the Decentralized Kalman filter with Feedback
Robert Bosch GmbH(罗伯特·博世有限公司);Intel Corporation(英特尔公司);TWT Gmbh(TWT有限公司)
提出了一种新的面向3D地图的高精度自动驾驶定位方法。AD地图不一定是平面的。因此,定位的问题在3D中得到了解决。车辆的运动被建模为分段规划,但与垂直曲率,这是近似的回旋曲线。定位问题的解决分散卡尔曼滤波器与反馈(DKFF)通过融合所有可用的信息。将里程计、视觉里程计、GPS、不同传感器和单摄像机输入融合在一起,以获得相对于地图的精确定位。由于线-点的几何对偶性,地图上的折线和地标以相同的方式处理。在强跟踪方法中,积累了一组弱滤波器,从而得到精确的定位结果。
2019-07-25 cs.RO
Fault-Tolerant Perception for Automated Driving A Lightweight Monitoring Approach
Intel Labs(英特尔实验室)
虽然自动驾驶汽车的安全验证过程中最明显的部分涉及规划和控制系统,但往往忽视了后者的安全性关键取决于前面的环境感知的容错性。现代感知系统具有复杂且通常基于机器学习的组件,这些组件具有各种可能危及整体安全的故障模式。同时,由于资源限制,通过例如冗余执行的验证并不总是可行的。在本文中,我们解决了可行的和有效的感知监视器的需求,并提出了一种轻量级的方法,有助于保护感知系统的完整性,同时保持额外的计算开销最小。与现有的解决方案相比,该监控器通过传感器检查(这里使用LiDAR信息)和对象运动历史的可扩展性检查的良好平衡组合来实现。它被设计用于检测自动驾驶车辆环境中物体的距离和速度的相关误差。结合适当的规划系统,这样的监控器可以帮助实现安全的自动驾驶。
2021-11-24 cs.RO
Risk Estimation for Automated Driving
TNO(荷兰应用科学研究组织)
本文提出了一种结合碰撞概率估计与碰撞严重性的通用方法,用于准确估计自动驾驶中的风险,以提高运动规划的安全性和效率。
2026-01-21 cs.RO
karl. -- A Research Vehicle for Automated and Connected Driving
Institute for Automotive Engineering (ika), RWTH Aachen University(汽车工程研究所(ika),亚琛工业大学)
研究自动驾驶和车联网技术,介绍卡尔这一研究平台。通过分享其设计思路等,助于弥补机构独立研究受限的差距,为自动驾驶和车联网的研究、工程及验证提供灵活强大平台。
2026-07-07 cs.AR cs.RO cs.SY
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
Human-Vehicle Cooperation on Prediction-Level: Enhancing Automated Driving with Human Foresight
为了最大限度地提高安全性和驾驶舒适性,自动驾驶系统可以从实施考虑不同潜在场景发展的前瞻性行动选择中受益。虽然人工场景预测方法正在取得快速进展,但细心的人类驾驶员仍然能够识别系统没有充分考虑的相关背景特征,或者人类驾驶员可能对系统适当对待它们的能力缺乏信任。我们实现了一种方法,可以让人类驾驶员通过凝视快速直观地为自动驾驶系统补充场景预测。我们说明了这种方法的可行性,在现有的自动驾驶系统中运行的模拟器中的各种方案。此外,设计并集成了一个图形化的用户界面(GUI),以增强系统的可信性和可解释性。利用这种协作增强的场景预测有可能提高系统的预见驾驶能力,并使自动驾驶更加可信,舒适和个性化。
2021-06-14 cs.HC cs.RO
Belief-Space Residual Risk for Automated Driving under Localization Uncertainty
Institute of Automotive Technology at the Technical University of Munich(慕尼黑技术大学汽车技术研究所)
本文提出在信念空间中扩展残余风险度量,通过建模自我姿态不确定性作为高斯分布,以评估自动驾驶系统在复杂城市环境和恶劣天气下的安全性。
2026-05-12 cs.RO
Addressing Inherent Uncertainty: Risk-Sensitive Behavior Generation for Automated Driving using Distributional Reinforcement Learning
fortiss GmbH(福蒂斯有限公司);Technische Universität München(慕尼黑工业大学)
对于SAE 3级以上的高度自动化驾驶,行为生成算法必须可靠地考虑交通环境的固有不确定性,例如由各种人类驾驶风格引起的不确定性。这种不确定性可能会产生模糊的决策,要求算法适当地平衡低概率的危险事件(例如碰撞)和高概率的有益事件(例如快速穿过十字路口)。最先进的行为生成算法缺乏决策结果的分布式处理。这妨碍了在模棱两可的情况下进行适当的风险评估,往往鼓励不安全或保守的行为。因此,我们提出了一个两步的方法,结合离线分布学习与在线风险评估的风险敏感行为生成。具体来说,我们首先使用深度分布式强化学习在不确定环境中学习最优策略。在执行过程中,通过将已建立的风险标准(例如条件风险值)应用于学习的状态-动作回报分布来选择最佳风险敏感动作。在交叉路口的情况下,我们评估不同的风险标准,并证明我们的方法增加了安全性,同时保持积极的驾驶风格。我们的方法将鼓励进一步研究风险敏感方法对自动驾驶车辆的好处。
2021-02-05 cs.AI
Comprehensive Training and Evaluation on Deep Reinforcement Learning for Automated Driving in Various Simulated Driving Maneuvers
Delft University of Technology(代尔夫特理工大学)
本文在 highway-env 中综合比较 DQN 与 TRPO,设计定制奖励并构建 ComplexRoads,证明 TRPO 可训练适应多种机动的统一自动驾驶模型。
2023-08-18 cs.AI cs.LG cs.RO
A Review of Testing Object-Based Environment Perception for Safe Automated Driving
RWTH Aachen University(亚琛工业大学);Institute for Automotive Engineering(汽车工程研究所)
自动驾驶系统的安全保证必须考虑不确定的环境感知。本文回顾了文献解决如何感知测试实现安全保证的一部分。我们专注于在感知和规划之间的接口进行验证和确认目的的测试,并沿着三个轴构建我们的分析:1)测试标准和度量,2)测试场景,3)参考数据。此外,分析的文献包括相关的安全标准,安全无关的感知算法基准测试和传感器建模。我们发现,实现安全感知测试仍然是一个悬而未决的问题,因为有关的三个测试轴和它们的相互依赖性的挑战目前似乎没有得到充分解决。
2021-02-16 cs.CV cs.RO cs.SY
A Comprehensive Review on Ontologies for Scenario-based Testing in the Context of Autonomous Driving
FZI Research Center for Information Technology(FZI信息技术研究中心);KIT Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
本文综述自动驾驶基于场景测试中的代表性本体,按静态事实与动态方面的细节层次分类,并依据实体类别及其关系进行评估。
2023-04-21 cs.RO
Conditional Prediction by Simulation for Automated Driving
CARIAD SE;Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院)
本文提出一种基于微观交通仿真和对抗性逆强化学习行为模型的条件预测方法,通过以自动驾驶车辆候选轨迹为条件生成预测并支持动态调整,从而实现协同规划。
2025-02-05 cs.CV cs.RO
Trajectory Guidance: Enhanced Remote Driving of highly-automated Vehicles
Institute of Automotive Technology at the Technical University of Munich (TUM)(慕尼黑工业大学汽车工程研究所)
本文针对自动驾驶车辆在复杂场景需人类干预的问题,提出一种轨迹引导远程驾驶的新型技术实现,经高保真仿真实验验证,表明其能有效提升远程操作安全性与可行性。
2024-02-15 cs.RO
Scaling Planning for Automated Driving using Simplistic Synthetic Data
Robert Bosch GmbH(罗伯特·博世有限公司)
本文挑战自动驾驶规划依赖海量真实数据或高仿真的共识,提出使用简单的轻量级仿真数据结合基础行为克隆方法,在环岛场景中通过增量开发实现真实车辆可靠舒适驾驶。
2024-01-03 cs.RO
Distributionally Consistent Simulation of Naturalistic Driving Environment for Autonomous Vehicle Testing
University of Michigan(密歇根大学);University of Michigan Transportation Research Institute(密歇根大学交通研究所)
微观交通仿真为自动驾驶汽车(AV)提供了一个可控、可重复和高效的测试环境。为了无偏地评价无人驾驶汽车的安全性能,模拟自然驾驶环境(NDE)中的环境统计量的概率分布需要与真实驾驶环境中的环境统计量的概率分布一致。然而,尽管人类驾驶行为在交通工程领域已经得到了广泛的研究,但现有的大多数模型都是针对交通流分析而开发的,没有考虑驾驶行为的分布一致性,这可能会导致严重的评价偏差。为了填补这一研究空白,本文提出了一个分布式一致性无损检测建模框架。利用大规模的自然驾驶数据,获得经验分布,构建不同条件下的随机人类驾驶行为模型。为了解决仿真过程中的误差积累问题,进一步设计了一种基于优化的方法来细化经验行为模型。具体而言,车辆状态的演变被建模为马尔可夫链,其平稳分布被扭曲,以匹配来自现实世界的驾驶环境的分布。在多车道高速公路驾驶模拟的案例研究中,该框架进行了评估,其中所生成的NDE的分布精度进行了验证,并有效地评估了AV模型的安全性能。
2022-07-02 cs.RO cs.SY eess.SY
Pedestrian Behavior Prediction for Automated Driving: Requirements, Metrics, and Relevant Features
Bosch Center for Artificial Intelligence(博世人工智能中心);Robert Bosch GmbH(罗伯特·博世有限公司)
该研究针对自动驾驶中行人行为预测的难点,通过系统级方法分析需求、提出新型系统视角预测指标,经大规模真实数据集验证及消融实验,证明了系统级方法的重要性。
2021-10-16 cs.LG cs.RO
A new Taxonomy for Automated Driving: Structuring Applications based on their Operational Design Domain, Level of Automation and Automation Readiness
Technical University Munich(慕尼黑工业大学);Munich Institute of Robotics and Machine Intelligence (MIRMI)(慕尼黑机器人与机器智能研究所);TU Darmstadt(达姆施塔特工业大学);Institute of Automotive Engineering(汽车工程研究所)
本文研究了运行设计域、自动驾驶SAE等级与技术就绪水平的关系,提出一种结合责任等级与ODD的新综合分类法及成熟度模型,以提升自动驾驶车辆系统的可比性并系统发现研究与监管空白。
2024-04-25 cs.RO cs.SY eess.SY
A Learning-based Stochastic Driving Model for Autonomous Vehicle Testing
Tongji University(同济大学);University of Michigan(密歇根大学);University of Michigan Transportation Institute(密歇根大学交通研究所)
在基于仿真的自动驾驶汽车(Autonomous Vehicles,AV)测试与评价中,背景车辆的驾驶行为直接影响到AV的驾驶行为,进而影响测试结果。现有的仿真平台使用预先确定的轨迹或确定性驾驶模型来对BV的行为进行建模。然而,预先确定的BV轨迹不能对AV的机动做出反应,并且由于缺乏随机分量和误差,确定性模型不同于真实的人类驾驶员。这两种方法都导致不切实际的交通情况。本文提出了一种基于学习的随机驾驶模型,以满足AV测试的独特需求,即交互式和人性化。该模型基于长短期记忆(LSTM)架构构建。通过将分位数回归的概念引入到模型的损失函数中,在没有任何人类驾驶员先验假设的情况下再现了随机行为。该模型的训练与大规模的自然驾驶数据(NDD)从安全试点模型部署(SPMD)项目,然后与随机智能驾驶模型(IDM)进行比较。对单个轨迹的分析表明,该模型可以比IDM再现更多与人类驾驶员相似的轨迹。为了验证所提出的模型在生成自然的驾驶环境的能力,交通仿真实验。结果表明,交通流参数,如速度,范围,车头时距分布与NDD匹配密切,这是非常重要的AV测试和评估。
2021-02-04 cs.RO cs.SY eess.SY
Hierarchical Program-Triggered Reinforcement Learning Agents For Automated Driving
IIT Kharagpur(印度理工学院卡拉格普尔分校)
强化学习(RL)与深度学习(DL)结合的最新进展在复杂任务(包括自动驾驶)中表现出令人印象深刻的性能。在自动驾驶中使用RL代理可以带来流畅的类人驾驶体验,但深度强化学习(DRL)有限的可解释性造成了验证和认证瓶颈。我们提出了HPRL -分层程序触发的强化学习,而不是依赖于RL代理来学习复杂的任务,它使用由结构化程序和多个RL代理组成的层次结构,每个RL代理都经过训练来执行相对简单的任务。验证的重点转移到主程序的简单保证下,从RL代理,导致一个更显着的可解释性和可验证的实现相比,一个复杂的RL代理。不同的驾驶任务,和NHTSA precrash方案使用CARLA,一个开源的动态城市模拟环境的框架的评估证明。
2021-03-25 cs.AI cs.LG cs.NE
CLIPping the Limits: Finding the Sweet Spot for Relevant Images in Automated Driving Systems Perception Testing
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)
针对自动驾驶感知测试中图像数据集检索难的问题,提出基于自然语言相似度排序的自动化阈值判定方法,平衡假阳假阴,兼顾鲁棒性并提供回退方案。
2024-07-12 cs.CV cs.RO