Reinforcement Learning Based Safe Decision Making for Highway Autonomous Driving
University of Alberta（阿尔伯塔大学）
在本文中，我们开发了一种在多车道、单智能体环境中自动驾驶汽车的安全决策方法。所提出的方法利用深度强化学习（RL）来实现安全战术决策的高级策略。我们解决了仅在自主导航中出现的两个主要挑战。首先，所提出的算法确保了冲突永远不会发生，因此加快了学习过程。其次，该算法考虑了环境中的不可观测状态。这些状态的出现主要是由于其他智能体（如汽车和行人）的不可预测行为，并使马尔可夫决策过程（MDP）在处理自主导航时出现问题。从一个著名的自动驾驶汽车模拟器的模拟证明了所提出的方法的适用性
2021-05-13 cs.AI cs.LG cs.RO
NeuroFlow: Development of lightweight and efficient model integration scheduling strategy for autonomous driving system
Seoul National University（首尔国立大学）
本研究提出名为NeuroFlow的自动驾驶专用系统，通过优化数据流、动态调整深度学习模型影响因素及确定非深度学习算法资源优先级，在实车多场景实验中验证了稳定推理与有效控制能力，为自动驾驶系统发展提供新突破。
2023-12-15 cs.AI cs.RO
Understanding Time Variations of DNN Inference in Autonomous Driving
Wayne State University（韦恩州立大学）；Northeastern University（东北大学）；University of Delaware（特拉华大学）
深度神经网络（DNN）由于其感知、决策和控制的高精度而广泛用于自动驾驶。在自动驾驶等安全关键系统中，实时执行传感和感知等任务对车辆的安全至关重要，这要求应用程序的执行时间是可预测的。然而，在DNN推断中观察到不可忽略的时间变化。目前的DNN推理研究要么忽略了时间变化问题，要么依赖于调度器来处理它。目前的工作都没有解释DNN推理时间变化的根本原因。理解DNN推理的时间变化成为自动驾驶实时调度的基本挑战。在这项工作中，我们从六个角度分析了DNN推理的时间变化：数据，I/O，模型，运行时，硬件和端到端感知系统。在理解DNN推理的时间变化时，得出了六个见解。
2022-09-12 cs.AI cs.LG cs.RO
A Driving Intention Prediction Method Based on Hidden Markov Model for Autonomous Driving
在自动驾驶车辆和人类驾驶车辆同时存在的混合交通场景中，及时预测附近人类驾驶车辆的驾驶意图对于自动驾驶车辆的安全和高效驾驶至关重要。提出了一种基于隐马尔可夫模型（HMM）的自动驾驶汽车驾驶意图预测方法。代表不同的驾驶意图的障碍训练和测试与现场收集的数据从立交桥。在训练模型时，应用车辆的移动性特征的离散或连续表征。实验结果表明，利用连续表征的移动性特征训练的Hacker用于驾驶意图预测时，具有较高的预测精度。此外，当考虑车辆周围交通时，所提出的预测方法的性能得到进一步改善。
2019-02-25 cs.LG cs.RO stat.ML
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
Perspective, Survey and Trends: Public Driving Datasets and Toolsets for Autonomous Driving Virtual Test
Beihang University（北京航空航天大学）
与真实场景下的闭环测试相比，自动驾驶虚拟测试具有早期安全性和可靠性保证的优点，近年来受到越来越多的关注。虽然自动驾驶数据集和工具集的可用性和质量是诊断自动驾驶系统瓶颈和提高系统性能的前提，但由于数据集和工具集的多样性和隐私性，收集和表征它们的视角和质量不仅耗时而且越来越具有挑战性。本文首先提出了自动驾驶测试（SLA）的系统文献综述方法，然后概述了2000年至2020年现有的公开数据集和工具集。通过35个自动驾驶测试工具集和70个测试数据集，给出了相关场景的定量结果、观点和趋势推断以及建议。据我们所知，我们是第一个使用基于SLA的调查方法对数据集和工具集进行这种最新的实证调查。我们的多方面分析和新发现不仅揭示了我们认为对系统设计者，从业者和用户有用的见解，而且还可以促进更多关于数据集和工具集的自动驾驶调查系统调查分析的研究。
2021-06-30 cs.AI cs.RO
Want a Ride? Attitudes Towards Autonomous Driving and Behavior in Autonomous Vehicles
Johannes Kepler University Linz（约翰内斯·开普勒大学林茨分校）
本文通过12人实地实验，发现对自动驾驶的态度并不影响驾驶干预和视线行为，指出缺乏实地测试的自动驾驶研究在评估行为、态度与接受度方面可能不可靠。
2024-09-04 cs.HC cs.RO
Evaluating Robustness over High Level Driving Instruction for Autonomous Driving
ENSTA Paris（巴黎高等先进技术学院）；Institut Polytechnique de Paris（巴黎理工学院）；INRIA（法国国家信息与自动化研究所）；Université Paris-Saclay（巴黎萨克雷大学）；CEA（法国原子能和替代能源委员会）；List（李斯特研究所）
近年来，我们见证了自动端到端驾驶领域越来越高的性能。特别是，越来越多的研究正在做的城市环境中，汽车必须遵循高级别的命令来导航驾驶。然而，很少有评价的能力，这些代理人在一个意想不到的情况下作出反应。具体地，在坏的高级命令的情况下，不对驱动代理的鲁棒性进行评估。我们在这里提出了一种评估方法，即一个基准，允许评估的代理的鲁棒性，并欣赏其理解的环境，通过其能力，以保持一个安全的行为，无论指令。
2021-05-20 cs.AI cs.CV cs.LG
Integrating End-to-End and Modular Driving Approaches for Online Corner Case Detection in Autonomous Driving
Technical University of Munich (TUM)（慕尼黑工业大学）；Institute of Automotive Technology（汽车技术研究所）
本文提出将端到端网络作为辅助系统与模块化驾驶系统并行运行，利用两者输出不一致实现在线极端情况检测，并在真实车辆上验证了该方法对提升自动驾驶安全性的潜力。
2024-09-02 cs.AI cs.RO
Optimizing Low-Speed Autonomous Driving: A Reinforcement Learning Approach to Route Stability and Maximum Speed
本文提出一种基于强化学习的低速自动驾驶策略优化方法，在保证安全和路线准确性的前提下，使车辆稳定保持接近最高速度行驶。
2024-12-20 cs.AI cs.RO
Towards Fully Intelligent Transportation through Infrastructure-Vehicle Cooperative Autonomous Driving: Challenges and Opportunities
PerceptIn（感知创新公司）；South China University of Technology（华南理工大学）；Northwestern University（西北大学）
基础设施-车辆协同自动驾驶方法依赖于智能道路和智能车辆之间的合作。与传统的车载自动驾驶方法相比，这种方法不仅更安全，而且更经济。在本文中，我们介绍了我们在协作自动驾驶领域的实际部署经验，并深入探讨了新挑战和机遇的细节。具体而言，根据我们在商业部署方面的进展，我们遵循了合作自动驾驶方法的三个阶段发展路线图：基础设施增强自动驾驶（IAAD），基础设施引导自动驾驶（IGAD）和基础设施规划自动驾驶（iPad）。
2021-03-03 cs.AR cs.NI cs.RO
Enabling Level-4 Autonomous Driving on a Single $1k Off-the-Shelf Card
Perceptin LLC（Perceptin有限责任公司）；Northeastern Univ（东北大学）；COCOPLE LLC（COCOPLE有限责任公司）；College of William and Mary（威廉玛丽学院）；North Carolina State University（北卡罗来纳州立大学）
自动驾驶在研究和工业中都有很大的兴趣。高成本一直是减缓自动驾驶在实践中的发展和采用的主要障碍之一。这篇论文首次表明，运行4级（即，完全自动驾驶）软件，在一个现成的卡（Jetson AGX Xavier）不到1000美元，一个数量级低于国家的最先进的系统，同时满足所有要求的延迟。这一成功来自于通过一系列措施和创新解决了现有做法共有的一些重要问题。该研究颠覆了人们对4级自动驾驶所需计算资源的普遍看法，为行业降低成本指出了一条有希望的道路，并为重新思考自动驾驶的架构、软件设计和优化提供了许多研究机会。
2021-10-12 cs.AI cs.LG cs.RO
Explainability of deep vision-based autonomous driving systems: Review and challenges
Sorbonne Université（索邦大学）
本调查回顾了基于视觉的自动驾驶系统的解释方法，该系统经过行为克隆训练。可解释性的概念有几个方面，对可解释性的需求在驾驶中很强，这是一个安全关键的应用程序。本调查收集了多个研究领域的贡献，即计算机视觉、深度学习、自动驾驶、可解释人工智能（X-AI），解决了几个问题。首先，它讨论了从自动驾驶系统中获得更多可解释性和可解释性的定义、背景和动机，以及该应用所特有的挑战。其次，全面组织和详细说明了以事后方式为黑盒自动驾驶系统提供解释的方法。第三，详细介绍和讨论了文献中旨在通过设计构建更具可解释性的自动驾驶系统的方法。最后，剩余的开放的挑战和潜在的未来研究方向进行了确定和检查。
2022-07-19 cs.AI cs.CV cs.LG
Design Space of Behaviour Planning for Autonomous Driving
University of Waterloo（滑铁卢大学）
我们探索自动驾驶行为规划的复杂设计空间。成功解决行为规划的一个方面的设计选择可以严重限制其他方面。为了帮助设计过程中，在这项工作中，我们分解的设计空间的重要选择所产生的最先进的方法，并描述了由此产生的权衡。在此过程中，我们还确定了未来工作的有趣方向。
2019-08-21 cs.AI cs.LG cs.RO
Deep Reinforcement-Learning-based Driving Policy for Autonomous Road Vehicles
Technical University of Crete（克里特理工大学）；University of Malta（马耳他大学）
在这项工作中，被认为是在高速公路上移动的自主车辆的路径规划问题。用于解决该问题的最常见的方法是基于最优控制方法，该方法对环境模型和系统动态进行假设。相反，这项工作提出了基于强化学习的驱动策略的发展。通过这种方式，所提出的驾驶策略对环境做出最小假设或不做假设，因为不需要关于系统动态的先验知识。考虑了道路被自动驾驶和手动驾驶车辆占用的驾驶场景。据我们所知，这是提出混合驾驶环境的强化学习驾驶策略的首批方法之一。推导出的强化学习策略，首先，通过动态规划推导出的最优策略进行比较，其次，其效率进行了评估下所建立的SUMO微观交通流模拟器产生的现实场景。最后，一些初步的结果，自动驾驶汽车的行为对整体交通流量的影响。
2020-02-18 cs.AI cs.CY cs.LG
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
An Independent Study of Reinforcement Learning and Autonomous Driving
University of Michigan（密歇根大学）
强化学习已经成为近十年来最热门的研究课题之一。它已经在机器人操作、自动驾驶、路径规划、计算机游戏等各个领域得到了应用。我们在这个项目的过程中完成了三项任务。首先，我们研究了表格环境下的Q-学习算法，并将其成功地应用于OpenAi Gym环境Taxi。其次，我们理解并实现了Cart-Pole环境下的深度Q网络算法。第三，我们还研究了强化学习在自动驾驶中的应用，以及与安全检查约束（安全控制器）的结合。我们使用高速公路健身房环境训练了一个粗糙的自动驾驶智能体，并探讨了奖励函数等各种环境配置对智能体训练性能的影响。
2021-08-20 cs.AI cs.RO
PKRD-CoT: A Unified Chain-of-thought Prompting for Multi-Modal Large Language Models in Autonomous Driving
School of Information Technology, Monash University Malaysia（马来西亚莫纳什大学信息技术学院）
本文提出基于感知、知识、推理与决策的 PKRD-CoT 零样本思维链提示框架，使 GPT-4.0 等多模态大语言模型无需训练即可提升自动驾驶实时决策表现。
2024-12-02 cs.AI cs.RO
CAAD: Computer Architecture for Autonomous Driving
我们描述了自动驾驶中涉及的计算任务，研究了现有的自动驾驶计算平台的实现。为了实现自动驾驶，计算堆栈需要以低成本同时提供高性能、低功耗和低散热。我们讨论了设计计算平台，将满足这些需求的可能方法。
2017-02-07 cs.AR cs.RO
SuperDriverAI: Towards Design and Implementation for End-to-End Learning-based Autonomous Driving
National Institute of Informatics（国立信息学研究所）；TURING, Inc.（图灵公司）
本文提出端到端自动驾驶系统SuperDriver AI，利用DNN学习人类驾驶策略并保证安全，引入slit模型和视觉注意力模块提升鲁棒性与可解释性，并在东京真实场景中验证了其有效性。
2023-05-14 cs.AI cs.RO
CRLLK: Constrained Reinforcement Learning for Lane Keeping in Autonomous Driving
Nanyang Technological University（南洋理工大学）；Indian Institute of Technological（印度技术学院）；Indian Institute of Technology（印度理工学院）
提出将车道保持建模为约束强化学习，自动学习权重系数，免去场景特定调整，实验证明其优于传统RL并具有实际应用价值。
2025-03-28 cs.LG cs.RO
MultiNet: Multi-Modal Multi-Task Learning for Autonomous Driving
Westview High School（韦斯特维尤高中）；Berkeley DeepDrive Center（伯克利深度驾驶中心）
自动驾驶需要在不同的行为模式下操作，从车道跟随和交叉路口到转弯和停车。然而，大多数现有的自动驾驶深度学习方法在训练策略中没有考虑行为模式。本文描述了一种通过使用多模态多任务学习在单个深度神经网络中学习多个不同行为模式的技术。我们研究了这种方法的有效性，表示为MultiNet，使用自动驾驶模型汽车在非结构化环境中驾驶，如人行道和未铺设的道路。使用来自驾驶我们的1/10比例模型车队超过100小时的标记数据，我们训练了不同的神经网络来预测车辆在不同行为模式下的转向角和驾驶速度。我们表明，在每种情况下，MultiNet网络都优于在单个模式上训练的网络，同时使用参数总数的一小部分。
2019-01-14 cs.LG cs.RO
Panoptic Perception for Autonomous Driving: A Survey
Oakland University（奥克兰大学）
本综述系统回顾了自动驾驶领域的全景感知模型，比较了其输入、架构及在性能、响应速度和资源利用率上的表现，并探讨了当前挑战与未来研究方向，为相关研究提供了重要参考。
2024-08-27 cs.CV cs.LG cs.RO
Evaluating the Robustness of Deep Reinforcement Learning for Autonomous Policies in a Multi-agent Urban Driving Environment
Simula Research Laboratory（西姆拉研究实验室）
深度强化学习被积极用于在模拟驾驶环境中训练自动驾驶汽车策略。由于各种强化学习算法的大量可用性以及缺乏对不同驾驶场景的系统比较，我们不确定哪些算法在单智能体和多智能体驾驶环境中更有效地训练自动驾驶汽车软件。在基于视觉的自动驾驶中比较深度强化学习的基准框架将为训练更好的自动驾驶汽车策略提供可能性。为了应对这些挑战，我们提供了一个开放且可重用的基准测试框架，用于在单智能体和多智能体环境中对自动驾驶的深度强化学习算法进行系统评估和比较分析。使用该框架，我们进行了离散和连续动作空间深度强化学习算法的比较研究。我们还提出了一个综合的多目标奖励函数，用于评估基于深度强化学习的自动驾驶代理。我们在一个只有视觉的高保真城市驾驶模拟环境中进行实验。结果表明，只有一些深度强化学习算法在各种仅多智能体环境设置中训练时，在单智能体和多智能体场景中表现得更好。例如，基于A3C和TD3的自动驾驶汽车在单智能体和多智能体场景中的更稳健的动作和最小的驾驶错误方面表现相对更好。我们的结论是，不同的深度强化学习算法在不同的场景下表现出不同的驱动和测试性能，这强调了对其进行系统比较分析的必要性。本文提出的基准框架有利于这种比较。
2023-03-23 cs.AI cs.LG cs.MA
Teaching Autonomous Driving Using a Modular and Integrated Approach
South China University of Technology（华南理工大学）；PerceptIn Inc（PerceptIn公司）；University of Shanghai for Science and Technology（上海理工大学）；Université de Cergy-Pontoise（塞尔吉-蓬图瓦兹大学）；Clarkson University（克拉克森大学）；Wayne State University（韦恩州立大学）；University of California, Irvine（加利福尼亚大学欧文分校）
自动驾驶不是一种单一的技术，而是一个集成了许多技术的复杂系统，这意味着教授自动驾驶是一项具有挑战性的任务。事实上，大多数现有的自动驾驶课程都专注于其中一项技术。这不仅未能提供全面的覆盖面，而且为具有不同技术背景的学生设置了很高的入学门槛。在本文中，我们提出了一种模块化的，集成的方法来教授自动驾驶。具体来说，我们将自动驾驶中使用的技术组织成模块。我们开发的教科书以及一系列旨在为每个模块提供技术概述的多媒体在线讲座中对此进行了描述。然后，一旦学生理解了这些模块，我们开发的整合实验平台可以让学生充分理解模块之间的相互作用。为了验证这种教学方法，我们提出了三个案例研究：为只有基本技术背景的学生开设的自动驾驶入门课程;现有嵌入式系统课程中的新课程，以演示如何将嵌入式系统技术应用于自动驾驶;以及行业专业培训课程，以快速培养经验丰富的工程师从事自动驾驶工作。结果表明，学生可以保持很高的兴趣水平，并取得了很大的进步，从熟悉的概念，然后再进入其他模块。
2018-02-27 cs.AI cs.CY 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
A Reinforcement Learning Benchmark for Autonomous Driving in Intersection Scenarios
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）
近年来，城市交叉口控制成为一个新兴的研究课题.在这种情况下，自动驾驶汽车面临着复杂的情况，因为它必须在遵守交通规则的同时及时处理与社会车辆的交互。通常，自动驾驶车辆应该在追求更高效率的同时避免碰撞。现有的工作未能提供一个框架，强调场景的完整性，同时能够部署和测试强化学习（RL）方法。具体来说，我们提出了一个基准，在复杂的交叉路口场景中，这是所谓的RL-CIS的训练和测试基于RL的自动驾驶代理。然后，部署了一组由各种算法组成的基线。测试基准和基线是为交叉口场景下的自动驾驶RL研究提供一个公平、全面的训练和测试平台，推动基于RL的交叉口自动驾驶控制方法的发展。我们提出的框架的代码可以在https://github.com/liuyuqi123/ComplexUrbanScenarios上找到。
2021-09-22 cs.AI cs.RO
Adversarial Deep Reinforcement Learning for Improving the Robustness of Multi-agent Autonomous Driving Policies
Simula Research Laboratory（Simula研究实验室）
众所周知，自动驾驶汽车容易受到对抗攻击的攻击，这些攻击可能危及汽车的安全，并对其他道路使用者构成危险。为了有效地防御对手，不仅需要测试自动驾驶汽车以发现驾驶错误，还需要提高汽车对这些错误的鲁棒性。为此，在本文中，我们提出了一种自动驾驶汽车的两步方法，包括（i）通过训练对抗性驾驶代理来发现自动驾驶汽车的故障状态，以及（ii）通过使用有效的对抗性输入重新训练自动驾驶汽车来提高自动驾驶汽车的鲁棒性。我们的方法支持在多智能体环境中测试自动驾驶汽车，在那里我们训练并比较两个自定义奖励函数上的对抗性汽车策略，以测试自动驾驶汽车的驾驶控制决策。我们在基于视觉的高保真城市驾驶模拟环境中进行实验。我们的研究结果表明，对抗性测试可用于发现错误的自动驾驶行为，然后进行对抗性训练，以提高基于深度强化学习的自动驾驶策略的鲁棒性。我们证明，使用有效的对抗性输入重新训练的自动驾驶汽车在减少碰撞和越野转向错误方面显着提高了其驾驶策略的性能。
2023-02-21 cs.AI
Autonomous Driving Implementation in an Experimental Environment
Sakarya University（萨卡里亚大学）
自主系统需要识别环境，在将其安全地付诸实践之前还有很长的路要走。在自动驾驶系统中，障碍物和交通信号灯的检测与车道跟踪一样重要。在这项研究中，自主驾驶系统的开发和测试的实验环境中，为此目的而设计。在该系统中，具有摄像头的模型车辆用于跟踪车道和避开障碍物，以实验研究自动驾驶行为。训练卷积神经网络模型进行车道线跟踪。针对车辆避障问题，分别建立了角点检测、光流、焦点扩展、碰撞时间、平衡计算和决策机制。
2021-05-23 cs.CV cs.LG cs.RO
Risk-Aware Reward Shaping of Reinforcement Learning Agents for Autonomous Driving
Eindhoven University of Technology（埃因霍温理工大学）；Northwestern Polytechnical University（西北工业大学）
针对自动驾驶强化学习奖励函数难确定、传统方法缺风险感知的问题，提出风险感知奖励塑形方法，新增鼓励探索、惩罚风险行为的奖励项，仿真验证对多类智能体有效，且PPO方法配合效果最佳。
2023-08-25 cs.AI cs.RO
A Software Architecture for Autonomous Vehicles: Team LRM-B Entry in the First CARLA Autonomous Driving Challenge
University of São Paulo（圣保罗大学）
第一届CARLA自动驾驶挑战赛的目标是部署自动驾驶系统，以应对所有参与者都面临相同挑战的复杂交通情况。据主办方介绍，这项比赛是一种民主化和加速自动驾驶汽车在世界各地的研究和开发的方式，使用CARLA模拟器有助于自动驾驶汽车领域的发展。因此，本文提出了一个自动驾驶汽车在模拟城市环境中的导航，试图犯下最少的交通违规行为，作为基线的自主导航CaRINA 2平台的原始架构的架构设计。我们的代理人在模拟场景中旅行了几个小时，展示了他的能力，赢得了挑战赛四条赛道中的三条，并在剩下的赛道中排名第二。我们的架构是为了满足CARLA自动驾驶挑战赛的要求而设计的，包括使用3D点云进行障碍物检测、使用卷积神经网络（CNN）和深度信息进行交通标志检测和分类、使用短期运动预测进行碰撞检测的风险评估、使用马尔可夫决策过程（MDP）进行决策以及使用模型预测控制（MPC）进行控制。
2020-10-23 cs.AI cs.RO
Deep Neural Network Perception Models and Robust Autonomous Driving Systems
Waterloo Artificial Intelligence Institute（滑铁卢人工智能研究所）；Department of Systems Design Engineering, University of Waterloo（滑铁卢大学系统设计工程系）；David Cheriton school of Computer science, University of Waterloo（滑铁卢大学戴维·谢里顿计算机学院）；University of Waterloo（滑铁卢大学）
本文分析了自动驾驶应用中深度学习模型的鲁棒性，并讨论了解决该问题的实用解决方案。
2020-03-04 cs.CV cs.LG cs.RO
Driving Tasks Transfer in Deep Reinforcement Learning for Decision-making of Autonomous Vehicles
Chongqing University（重庆大学）；University of Waterloo（滑铁卢大学）
知识转移是实现自动驾驶汽车实时决策的一个很有前途的概念。本文构建了一个迁移深度强化学习框架，用于跨路段环境下驾驶任务的迁移。自动驾驶汽车在无信号交叉口的行驶任务分为左转、右转和直行。自主车辆（AEV）的目标是高效、安全地通过交叉口。这一目标促使研究车辆提高速度，避免碰撞其他车辆。从一个驾驶任务中学习到的决策策略在另一个驾驶任务中进行传递和评估。仿真结果表明，与相似任务相关的决策策略是可传递的。结果表明，所提出的控制框架可以减少时间消耗，实现在线实施.
2020-10-10 cs.AI cs.LG
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
Deep Learning and Control Algorithms of Direct Perception for Autonomous Driving
基于自动驾驶的直接感知范式，我们研究并修改了CNN（卷积神经网络）AlexNet和GoogLeNet，它们将输入图像映射到几个感知指标（航向角，与前车的距离和与道路中心线的距离），以估计高速公路交通中的驾驶启示。我们还设计了一个控制器，这些指标和短距离传感器信息的TORCS（开放式赛车模拟器）驾驶模拟汽车，以避免碰撞。我们在各种驾驶场景中从TORCS相机收集了一组图像，使用数据集训练这些CNN，在看不见的交通中测试它们，发现它们在训练效率和驾驶稳定性方面比早期的算法和控制器表现得更好。源代码和数据可以在我们的网站上找到。
2019-11-12 cs.LG cs.RO
Intelligent Perception System for Vehicle-Road Cooperation
随着自动驾驶的发展，单个车辆自动驾驶技术的提升已经到了瓶颈。车路协同自动驾驶技术的进步，可以扩大车辆的感知范围，补充感知盲区，提高感知精度，推动自动驾驶技术的发展，实现车路融合。本项目主要利用激光雷达开发数据融合方案，实现车辆和道路设备数据的共享和融合，实现对动态目标的检测和跟踪。同时，设计了车路协同感知系统的测试场景，对车路协同感知系统进行了测试，验证了车路协同自主驾驶相对于单车自主驾驶的优势。
2022-08-30 cs.AI cs.RO
Prediction Based Decision Making for Autonomous Highway Driving
University of Surrey（萨里大学）；University of Warwick（华威大学）；Warwick Manufacturing Group（华威制造集团）
由于交通固有的复杂性和不确定性，自动驾驶决策是一项具有挑战性的任务。例如，相邻车辆可以随时改变车道或超车，以超过慢速车辆或帮助交通流量。预测周围车辆的意图，估计它们的未来状态并将其整合到自动驾驶汽车的决策过程中，可以提高复杂驾驶场景中自动驾驶的可靠性。提出了一种基于预测的深度强化学习（PDRL）决策模型，该模型在高速公路驾驶决策过程中考虑了周围车辆的操纵意图。该模型使用真实的交通数据进行训练，并通过仿真平台在各种交通条件下进行测试。结果表明，与深度强化学习（DRL）模型相比，所提出的PDRL模型通过减少碰撞次数来提高决策性能，从而实现更安全的驾驶。
2022-09-05 cs.AI cs.RO
Discrete Contrastive Learning for Diffusion Policies in Autonomous Driving
Aalto University（阿尔托大学）；Finnish Center for Artificial Intelligence (FCAI)（芬兰人工智能中心）
本文提出利用对比学习从人类驾驶数据中提取并量化驾驶风格字典，进而学习条件扩散策略来模拟人类驾驶行为，实验表明其生成的行为比基线方法更安全且更像人类。
2025-03-07 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
Autonomous Driving Small-Scale Cars: A Survey of Recent Development
Chair of Econometrics and Statistics, esp. in the Transport Sector, Technische Universität Dresden（经济计量学与统计学教授席位（侧重交通领域））；Center for Scalable Data Analytics and Artificial Intelligence (ScaDS.AI) Dresden/Leipzig（可扩展数据分析与人工智能中心（ScaDS.AI）德累斯顿/莱比锡）；Barkhausen Institut gGmbH（巴克豪森研究所）
针对全尺寸自动驾驶车辆成本高、社会认知不足的问题，该综述梳理分类了各类小型自动驾驶汽车平台，介绍其在教育与研究领域的应用价值及相关研究进展，并提出未来发展方向建议。
2024-12-20 cs.AI cs.RO
LightEMMA: A Longitudinal Evaluation of Vision-Language Models for Autonomous Driving
Department of Civil and Environmental Engineering, University of Michigan（土木与环境工程系，密歇根大学）；University of Michigan Transportation Research Institute（密歇根大学交通研究所）
LightEMMA是评估自动驾驶领域视觉语言模型性能的纵向框架，研究发现这类模型迭代后驾驶性能未持续提升，需领域适配以提升系统安全性。
2026-09-04 cs.AI cs.RO
Characterized Diffusion Networks for Enhanced Autonomous Driving Trajectory Prediction
Xiamen University Malaysia（马来西亚厦门大学）
本文提出结合特征化扩散模块与时空交互网络的轨迹预测模型，通过不确定性估计和智能体交互建模，在NGSIM、HighD和MoCAD上显著超越现有方法，提升复杂交通场景下的预测精度。
2024-11-25 cs.AI cs.RO
Machine Learning-Based Vehicle Intention Trajectory Recognition and Prediction for Autonomous Driving
University of Southern California（南加州大学）；Virginia Tech（弗吉尼亚理工大学）；Miami University（迈阿密大学）；Northern Arizona University（北亚利桑那大学）；Northeastern University（东北大学）
本文针对自动驾驶变道安全问题，提出一种基于深度学习的变道行为预测方法，旨在准确识别驾驶员变道意图，促进安全变道并提升道路安全性。
2024-02-25 cs.CV cs.LG cs.RO
Multi-Agent Connected Autonomous Driving using Deep Reinforcement Learning
Microsoft AI + R（微软人工智能与研发部）
学习和适应驾驶环境变化的能力对于开发可扩展到地理围栏操作设计领域之外的自动驾驶系统至关重要。深度强化学习（RL）为开发基于自适应学习的解决方案提供了一个有前途的可扩展框架。深度强化学习方法通常将问题建模为（部分可观察的）马尔可夫决策过程，其中代理在静态环境中行动以学习最佳行为策略。然而，驾驶涉及在高度不稳定的环境中多个智能（人工或人类）代理之间的复杂交互。在本文中，我们提出使用部分可观察马尔可夫博弈（POSG）来制定具有现实假设的连接自动驾驶问题。我们提供了一个分类的多智能体学习环境的任务的性质，代理的性质和环境的性质的基础上，以帮助分类的各种自动驾驶问题，可以根据建议的制定。作为我们的主要贡献，我们提供了MACAD-Gym，一个多智能体连接的自主驾驶智能体学习平台，用于进一步研究这一方向。我们的MACAD-Gym平台提供了一套可扩展的互联自动驾驶（CAD）仿真环境，可在逼真的多智能体设置下，为具有无限操作设计域的CAD系统研究和开发基于深度RL的集成传感、感知、规划和控制算法。我们还分享了使用MACAD-Gym平台成功训练的MACAD-Agents，以在部分可观察的，停车标志控制的，3路城市交叉口环境中学习多个车辆代理的控制策略，并使用原始（摄像头）传感器观察。
2019-11-11 cs.AI cs.LG cs.MA
Pedestrian Emergence Estimation and Occlusion-Aware Risk Assessment for Urban Autonomous Driving
The Ohio State University（俄亥俄州立大学）
避免看不见或部分被遮挡的弱势道路使用者（VRU）是城市场景中完全自动驾驶的主要挑战。然而，闭塞感知风险评估系统尚未得到广泛研究。在这里，我们提出了一个行人出现估计和遮挡感知风险评估系统的城市自动驾驶。首先，所提出的系统利用可用的上下文信息，如可见的汽车和行人，估计行人出现在闭塞区域的概率。这些概率，然后在风险评估框架中使用，并纳入纵向运动控制器。建议的控制器进行测试，对几个基线控制器，概括了一些常见的驾驶风格。模拟的测试场景包括随机放置的停放的汽车和行人，其中大多数人从自我车辆的视野中被遮挡，并随机出现。所提出的控制器在安全性和舒适性方面优于基线。
2021-07-06 cs.AI cs.RO
Deep Learning Accelerator in Loop Reliability Evaluation for Autonomous Driving
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）
针对自动驾驶中DLA可靠性评估指标与系统级指标脱节的问题，提出DLA在环可靠性评估平台，在早期设计阶段实现系统级可靠性评估，以减少设计迭代成本。
2023-06-20 cs.AI cs.AR cs.RO
Towards Knowledge-driven Autonomous Driving
Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；East China Normal University（华东师范大学）；Chinese University of Hong Kong（香港中文大学）；Zhejiang University（浙江大学）
本文综述知识驱动自动驾驶技术，分析现有系统局限，提出以数据集、环境和驾驶员智能体为核心，结合大模型等AI技术构建更全面、自适应和智能的自动驾驶系统，并展望未来研究方向。
2023-12-27 cs.AI cs.CV cs.RO
Implementing a Cloud Platform for Autonomous Driving
自动驾驶云提供支持自动驾驶汽车的基本服务。如今，这些服务包括但不限于新算法部署的分布式仿真测试、离线深度学习模型训练和高清（HD）地图生成。这些服务需要基础设施支持，包括分布式计算、分布式存储以及异构计算。在本文中，我们详细介绍了如何实现统一的自动驾驶云基础设施，以及如何在此基础设施上支持这些服务。
2017-04-10 cs.DC cs.RO
X-Driver: Explainable Autonomous Driving with Vision-Language Models
Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；Baidu Inc.（百度公司）
本文提出基于多模态大语言模型和思维链的X-Driver框架，通过自回归建模增强感知与决策，在CARLA闭环自动驾驶基准上超越现有最优方法并提升可解释性。
2025-06-03 cs.CL cs.CV cs.ET
Attacking Autonomous Driving Agents with Adversarial Machine Learning: A Holistic Evaluation with the CARLA Leaderboard
Carnegie Mellon University（卡内基梅隆大学）
该研究借助CARLA模拟器与CARLA排行榜，在不修改智能体代码的前提下测试对抗补丁对多类开源自动驾驶智能体的攻击效果，发现部分非ML模块可抵消对抗样本对ML模型的误导作用。
2025-11-18 cs.CR cs.CV cs.LG
Embodied Cognition Augmented End2End Autonomous Driving
Tsinghua University（清华大学）；University of Washington（华盛顿大学）
本文提出名为 $E^{3}AD$ 的新范式，通过视觉特征提取网络与通用 EEG 大模型的对比学习来学习人类驾驶认知，从而显著增强端到端自动驾驶的规划性能。
2025-11-03 cs.AI cs.HC cs.RO
Self-Driving like a Human driver instead of a Robocar: Personalized comfortable driving experience for autonomous vehicles
Seamless Transportation Lab (STL)（无缝交通实验室）；Yonsei University（延世大学）
为了给自动驾驶汽车用户提供个性化的舒适驾驶体验，提出了一种基于个人驾驶偏好的自动驾驶汽车集成控制系统。我们提出了一个乘客的偏好度量（OPM），这是定义一个首选的横向和纵向加速度区域的最大允许加加速度为用户。此外，我们提出了一个车辆控制器的控制参数的基础上，使集成的横向和纵向控制，通过自主车辆的偏好感知操纵。该系统不仅提供了乘员驾驶偏好的标准，还提供了个性化的自动驾驶风格，就像人类驾驶员而不是Robocar一样。仿真和实验结果表明，该系统可以像人类驾驶员一样操纵自动驾驶汽车，通过跟踪指定的标准，允许的加速度和加加速度。
2022-11-18 cs.RO cs.SY eess.SY
ApolloRL: a Reinforcement Learning Platform for Autonomous Driving
Baidu Apollo Autonomous Driving（百度阿波罗自动驾驶）；University of Cambridge（剑桥大学）
我们介绍ApolloRL，这是一个用于自动驾驶强化学习研究的开放平台。该平台提供了一个完整的闭环管道，包括培训，模拟和评估组件。它配备了300小时的驾驶场景和流行的基线，如近端策略优化（PPO）和软Actor-Critic（SAC）代理的真实数据。我们在本文中阐述的架构和平台中定义的环境。此外，我们还讨论了基线代理在ApolloRL环境中的性能。
2022-01-29 cs.LG cs.RO stat.ML
Driving the Wrong Way: Leveraging Interpretability in End2End Autonomous Driving Models
AUMOVIO（奥莫维奥）；Department of Applied Computer Science, University of Bamberg（班贝格大学应用计算机科学系）
研究端到端自动驾驶模型因复杂不透明易产生不良行为的问题，核心方法是集成无监督字典学习作为可解释性模块，主要贡献为揭示决策逻辑、纠正驾驶决策以提升模型性能。
2026-07-08 cs.AI cs.CV cs.RO
