A Versatile and Efficient Reinforcement Learning Framework for Autonomous Driving
Tsinghua University(清华大学);China University of Mining and Technology(中国矿业大学);Institute for AI Industry Research (AIR), Tsinghua University(清华大学智能产业研究院(AIR))
关于最佳自动驾驶框架的激烈辩论仍在继续。经典的模块化流水线由于其强大的可解释性和稳定性而在行业中被广泛采用,而完全端到端的范式随着深度学习的兴起而表现出相当的简单性和可学习性。作为结合两种方法的优点的一种方式,学习语义上有意义的表示,然后在下游的驱动策略学习任务中使用,提供了一个可行的和有吸引力的解决方案。然而,仍有几个关键的挑战有待解决,包括确定最有效的表示,缓解模拟到真实的泛化问题以及平衡模型训练成本。在这项研究中,我们提出了一个通用的和有效的强化学习框架,并建立一个功能齐全的自动驾驶汽车的真实世界的验证。我们的框架对各种复杂的现实世界场景具有很大的通用性,并且与竞争基线相比具有优越的训练效率。
2022-03-03 cs.AI cs.RO
End-to-end Autonomous Driving using Deep Learning: A Systematic Review
Carnegie Mellon University(卡内基梅隆大学)
本文系统综述了基于深度学习和强化学习的完全可微端到端自动驾驶方法,涵盖感知、规划、控制等模块,并构建方法分类、总结研究趋势与开放挑战。
2023-08-27 cs.AI cs.RO
Enhancing Privacy and Security of Autonomous UAV Navigation
University at Buffalo(布法罗大学);IBM Research(IBM研究院)
本文提出结合强化学习与全同态加密(FHE)的端到端安全框架,通过对加密图像执行推理并适配神经网络与OpenAI Gym库,在几乎不损失性能的前提下有效防御窃听、中间人等对抗性攻击,保障自主无人机导航的隐私与安全。
2024-04-26 cs.AI cs.CR 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
AI Must not be Fully Autonomous
Machine Learning Group, EISLAB, Luleå University of Technology(机器学习组、EISLAB、卢勒奥技术大学)
本研究划分自主AI的3个层级,结合ASI可能数十年内出现的背景,通过理论探讨、12项论据、反论反驳及附录风险证据,论证完全自主AI因缺乏人类监督风险极高,AI不应实现完全自主。
2025-07-31 cs.AI
From Mind to Machine: The Rise of Manus AI as a Fully Autonomous Digital Agent
Department of Electrical and Computer Engineering, Virginia Tech(弗吉尼亚理工学院电气与计算机工程系);Department of Computer Science, Brown University(布朗大学计算机科学系);Department of Computer Science, University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校计算机科学系);Khoury College of Computer Sciences, Northeastern University(东北大学科里尔计算机科学学院)
Manus AI是一款通用人工智能代理,结合大语言模型的推理与规划能力,执行复杂任务并产生实际成果,本文全面介绍了其技术架构、跨行业应用及未来潜力。
2026-07-27 cs.AI
OmniSCS: Omni Safety-Critical Scenario Synthesis for Autonomous Driving via a Fully Editable Driving World
研究针对自动驾驶安全关键场景合成难题,提出OmniSCS系统,通过完全可编辑驾驶世界构建和SCS合成两个模块,保持数据保真度,在多数据集实验中表现出色,能增强算法并支持实时闭环测试,为SCS优化测试提供高效方案。
2026-07-14 cs.AI cs.RO
Avant-Satie! Using ERIK to encode task-relevant expressivity into the animation of autonomous social robots
INESC-ID(里斯本系统与计算机工程研究所);Instituto Superior Técnico(高等技术学院);University of Lisbon(里斯本大学)
ERIK是一种表达逆运动学技术,以前已经提出和评估算法和有限的用户交互场景。它允许自主社交机器人在跟踪用户的同时传达基于姿势的表达信息。我们开发了一个新的场景,旨在进一步验证前一个场景中一些不支持的说法。我们的实验具有完全自主的Adelino机器人,并得出结论,ERIK可以用来指导用户的选择在执行给定的任务的行动,完全通过其非语言表达队列。
2022-03-02 cs.AI cs.HC cs.RO
A Quantitative Autonomy Quantification Framework for Fully Autonomous Robotic Systems
University of Siegen(锡根大学)
针对现有自主性量化方法无法区分子模式特征、部分指标违背古德哈特定律的问题,本文提出基于任务需求的全自主机器人定量评估框架,推导三项指标并拆分自主水平与程度,经两案例验证可用于量化、监管及在线系统完整性监控。
2024-04-10 cs.AI cs.RO
OpenLens AI: Fully Autonomous Research Agent for Health Infomatics
Department of Automation, Tsinghua University(自动化系,清华大学);Institute for Brain and Cognitive Science, Tsinghua University(脑与认知科学研究院,清华大学)
OpenLens AI 是一个面向健康信息学的全自主研究智能体框架,通过集成文献综述、数据分析、代码生成和稿件撰写等专用智能体,并结合医学可视化反馈与质量控制,实现从研究到发表级 LaTeX 稿件的全流程自动化。
2025-09-23 cs.AI cs.MA
The AI Codebase Maturity Model: From Assisted Coding to Fully Autonomous Systems
IBM Research — Hybrid Cloud and AI Platform(IBM混合云和人工智能平台研究院)
本文提出AI代码库成熟度模型(ACMM),通过100天经验报告和Hive系统验证,展示代码库从基础AI辅助到完全自主的六级进化框架,强调测试覆盖率和反馈机制是关键因素。
2026-04-27 cs.AI cs.SE
SDPAD: A Fully Spike-Driven Pipeline for End-to-End Autonomous Driving
Westlake Institute for Optoelectronics(西湖光电研究院);CenBRAIN Neurotech, School of Engineering, Westlake University(西湖大学工程学院CenBRAIN神经科技中心)
SDPAD是首个全脉冲驱动的端到端自动驾驶规划流水线,通过量化转换、脉冲3D提升与Spike-QFormer,在精度接近ANN规划器的同时,能耗仅为其2%,性能优于现有SNN规划器。
2026-10-09 cs.AI cs.RO
Towards Fully Automated Molecular Simulations: Multi-Agent Framework for Simulation Setup and Force Field Extraction
Eindhoven University of Technology(埃因霍温理工大学)
针对多孔材料模拟设置和力场选择复杂的问题,提出基于LLM的多智能体框架,实现文献力场提取与自动化RASPA模拟设置,初步评估显示其高正确性与可重复性,推动全自动材料表征。
2025-09-12 cs.AI cs.MA
A Cross-Frequency Protective Emblem: Protective Options for Medical Units and Wounded Soldiers in the Context of (fully) Autonomous Warfare
Helmut Schmidt University(赫尔穆特·施密特大学);University of the Federal Armed Forces Hamburg(汉堡联邦国防军大学)
本文针对(完全)自主战争中保护性标志失效问题,提出跨频段设计方法,涵盖雷达信标等技术部署、机器学习识别及加密认证,并探讨滥用伦理,以保障医疗单位和伤员安全。
2023-05-03 cs.AI cs.CR cs.CY
Fully neuromorphic vision and control for autonomous drone flight
Delft University of Technology(代尔夫特理工大学)
生物传感和处理是异步和稀疏的,导致低延迟和节能的感知和行动。在机器人技术中,基于事件的视觉和脉冲神经网络的神经形态硬件有望表现出类似的特性。然而,由于当前嵌入式神经形态处理器的网络大小受限以及训练脉冲神经网络的困难,机器人实现仅限于具有低维感觉输入和运动动作的基本任务。在这里,我们提出了第一个完全神经形态的视觉控制管道,用于控制自由飞行的无人机。具体来说,我们训练一个脉冲神经网络,接受高维原始事件为基础的相机数据和输出低级别的控制动作,执行自主视觉为基础的飞行。网络的视觉部分由五层和28.8k个神经元组成,将传入的原始事件映射到自我运动估计,并在真实事件数据上进行自监督学习训练。控制部分包括一个单一的解码层,并在无人机模拟器的进化算法学习。机器人实验表明,一个成功的仿真到现实迁移的完全学习的神经形态管道。无人机可以准确地遵循不同的自我运动设定点,允许悬停,着陆和侧向操纵$\unicode{x2014}$,即使在同一时间偏航。神经形态流水线在英特尔的Loihi神经形态处理器上运行,执行频率为200 Hz,每个推理仅花费27 $\unicode{x00b5}$ J。这些结果说明了神经形态传感和处理的潜力,使更小,更智能的机器人。
2023-03-15 cs.AI cs.CV cs.LG
T$^{\star}$-Lite: A Fast Time-Risk Optimal Motion Planning Algorithm for Multi-Speed Autonomous Vehicles
University of Connecticut(康涅狄格大学);Naval Undersea Warfare Center(海军水下作战中心)
在本文中,我们开发了一种新的算法,称为T $^{\star}$ -Lite,使变速自动驾驶汽车的快速时间风险最优运动规划。T $^{\star}$ -Lite算法是先前开发的T $^{\star}$算法的显著更快版本。T $^{\star}$ -Lite使用T $^{\star}$的新时间风险成本函数;然而,它使用的不是基于网格的方法,而是基于渐进最优采样的运动规划器。此外,它利用最近开发的广义多速度Dubins运动模型(GMDM)的样本到样本kinodynamic运动规划。基于样本的方法和GMDM显着降低了计算负担的T $^{\star}$,同时提供合理的解决方案的质量。采样点从由两个位置坐标加上车辆航向和速度组成的四维配置空间中绘制。具体而言,T $^{\star}$ -Lite使运动规划器能够根据车辆与障碍物的接近程度选择车辆速度和方向,以生成更快、更安全的路径。在本文中,T $^{\star}$ -Lite是使用RRT $^{\star}$运动规划器开发的,但适应其他运动规划器是简单的,取决于规划器的需要
2020-08-29 cs.AI cs.RO cs.SY
Fully Autonomous Programming with Large Language Models
TU Eindhoven(埃因霍温理工大学);Philips Research(飞利浦研究院);Simula(Simula研究实验室);University of Oslo(奥斯陆大学);BI Norwegian Business School(BI挪威商学院)
本文提出 SED 自主程序合成框架,通过实证比较修复、替换与混合策略及提示生成技术,在 PSB2 上使用 OpenAI Codex 验证其优于基线方法。
2023-04-20 cs.AI cs.NE cs.SE