Clustering of Driving Encounter Scenarios Using Connected Vehicle Trajectories
Carnegie Mellon University（卡内基梅隆大学）；University of Michigan（密歇根大学）
多车辆交互行为分类和分析提供了深入的知识，为自动驾驶车辆做出有效的决策。本文的目的是聚类的驾驶遭遇的情况下，仅基于多车辆GPS轨迹的范围广泛。为此，我们提出了一个通用的无监督学习框架，包括两层：特征表示层和聚类层。在特征表示层中，我们将深度自动编码器与基于距离的度量相结合，将驾驶遭遇的顺序观察映射到一个计算上易于处理的空间中，该空间允许量化两辆车的时空交互特征。聚类算法，然后应用到所提取的表示收集同质的驾驶遇到成组。我们提出的通用框架，然后使用2,568自然驾驶遭遇进行评估。实验结果表明，我们提出的通用框架结合无监督学习可以聚类多轨迹数据到不同的群体。这些聚类结果可以为自主车辆的决策分析和设计提供参考。
2019-03-16 cs.RO
Graph and Recurrent Neural Network-based Vehicle Trajectory Prediction For Highway Driving
Nanyang Technological University（南洋理工大学）；University of Oxford（牛津大学）
将轨迹预测集成到模块化自动驾驶系统的决策和规划模块中，有望提高自动驾驶车辆的安全性和效率。然而，车辆的未来轨迹预测是一个具有挑战性的任务，因为它是由相邻车辆的社会互动行为的影响，和相邻车辆的数量可以在不同的情况下变化。本文提出了一种基于GNN-RNN的编码器-解码器网络用于交互感知轨迹预测，其中使用RNN从车辆的历史轨迹中提取车辆的动态特征，车辆间的交互由有向图表示并使用GNN编码。GNN的并行性意味着所提出的方法有可能同时预测多个车辆的轨迹。从NGSIM US-101数据集提取的数据集上的评估表明，所提出的模型是能够预测目标车辆的轨迹的情况下，与周围的车辆数量可变。
2021-07-08 cs.RO
Estimating Risk Levels of Driving Scenarios through Analysis of Driving Styles for Autonomous Vehicles
University of Science and Technology of China（中国科学技术大学）；Carnegie Mellon University（卡内基梅隆大学）
为了在道路上安全行驶，自动驾驶汽车不仅需要能够识别前方的物体，还需要能够自动估计前方物体的风险等级。很明显，不同的物体对自动驾驶汽车的危险程度不同。自动驾驶汽车需要一个评估系统来自动确定物体的危险程度。如果系统完全由人来定义，那就太主观，太不完整了。在此基础上，提出了一种基于非参数贝叶斯学习方法的框架--粘性层次狄利克雷过程隐马尔可夫模型（sticky HDP-HMM），并发现了驾驶场景与驾驶风格之间的关系。我们使用自动驾驶汽车的驾驶风格的分析，以反映驾驶场景的车辆的风险水平。在该框架中，首先使用粘性HDP-HMM从数据集中提取驾驶风格，得到不同的聚类，然后提出一个评价体系对聚类的紧急程度进行评价和排序。最后，我们将驾驶场景映射到排名结果，从而得到不同风险级别的驾驶场景聚类。更重要的是，我们发现驾驶场景和驾驶风格之间的关系。实验结果表明，该框架能够对不同紧急程度的驾驶风格进行聚类和排序，发现驾驶场景与驾驶风格之间的关系，得出的结论也符合人们的驾驶常识。此外，该框架可用于自动驾驶汽车，以估计驾驶场景的风险水平，并帮助他们做出准确和安全的决策。
2019-04-23 cs.HC cs.RO
Parallelized and Randomized Adversarial Imitation Learning for Safety-Critical Self-Driving Vehicles
Korea University（高丽大学）；Mofl Inc.（Mofl 公司）；Hallym University（翰林大学）；California State University, Long Beach（加州州立大学长滩分校）
自动驾驶汽车和自动驾驶研究作为现代人工智能应用中的主要有前途的前景一直受到相当大的关注。随着先进驾驶辅助系统（ADAS）的发展，自动驾驶汽车和自动驾驶系统的设计变得复杂和安全。一般来说，智能系统可以同时有效地激活ADAS功能。因此，必须考虑可靠的ADAS功能协调，以安全地控制驾驶系统。针对这一问题，提出了一种随机对抗模仿学习（RAIL）算法。RAIL是一种新的无导数模仿学习方法，用于协调各种ADAS功能的自动驾驶;因此，它模仿了控制具有各种ADAS功能的自动驾驶的决策者的操作。所提出的方法能够训练决策者处理激光雷达数据和控制多车道复杂公路环境中的自动驾驶。基于仿真的评估验证了所提出的方法达到了预期的性能。
2021-12-26 cs.AI cs.LG cs.RO
Multi-Vehicle Mixed-Reality Reinforcement Learning for Autonomous Multi-Lane Driving
University of Cambridge（剑桥大学）
自动驾驶有望改变道路交通。然而，多车辆和多车道的情况下，提出了独特的挑战，由于受约束的导航和不可预测的车辆相互作用。基于学习的方法--例如深度强化学习--正在成为自动设计智能驾驶策略的一种有前途的方法，可以应对这些挑战。然而，安全地学习多车辆驾驶行为的过程是困难的：虽然碰撞-及其接近避免-对于学习过程至关重要，但直接对自动驾驶车辆执行不成熟的政策会引起相当大的安全问题。在本文中，我们提出了一个安全有效的框架，可以学习在共享工作空间中运行的自动驾驶车辆的驾驶策略，在这种情况下，无法保证没有碰撞。我们的学习过程的关键是一个sim 2 real的方法，使用现实世界的在线政策适应在混合现实设置，其中其他车辆和静态障碍物存在于虚拟域。这使我们能够通过模拟学习代理与虚拟现实中的其他对象之间的碰撞（并从中学习）来执行安全学习。我们的研究结果表明，在混合现实中运行几次后，碰撞显着减少。
2020-02-10 cs.AI cs.LG cs.MA
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
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
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
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
COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked Vehicles
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Sony AI（索尼人工智能）；Stanford University（斯坦福大学）
用于自动驾驶车辆的光学传感器和学习算法在过去几年中取得了巨大的进步。尽管如此，当今自动驾驶汽车的可靠性受到有限的视线传感能力和处理极端情况的数据驱动方法的脆弱性的阻碍。随着通信技术的发展，车对车通信的协同感知已经成为一种很有前途的范例，以加强在危险或紧急情况下的自动驾驶。我们引入了COOPERNAUT，这是一种端到端的学习模型，它使用跨车辆感知进行基于视觉的协作驾驶。我们的模型将LiDAR信息编码为紧凑的基于点的表示，这些表示可以通过真实的无线信道在车辆之间作为消息传输。为了评估我们的模型，我们开发了AutoCastSim，这是一个网络增强的驾驶模拟框架，其中包含易发生事故的场景。我们在AutoCastSim上的实验表明，我们的合作感知驾驶模型在这些具有挑战性的驾驶情况下比以自我为中心的驾驶模型平均成功率提高了40%，并且比以前的工作V2VNet的带宽要求小5倍。COOPERNAUT和AUTOCASTSIM可在https://ut-austin-rpl.github.io/Coopernaut/上找到。
2022-05-04 cs.CV cs.RO
Quantifying Spectral Differences in Vehicle Kinematics Between Production Autonomous and Human-Driven Vehicles Across Driving Scenarios
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
本研究利用真实世界数据集和频域框架，量化了量产自动驾驶车辆与人工驾驶车辆在不同场景下的运动学差异，发现差异具有场景依赖性，凸显了多场景评估的必要性。
2026-09-16 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
V2V-GoT: Vehicle-to-Vehicle Cooperative Autonomous Driving with Multimodal Large Language Models and Graph-of-Thoughts
NVIDIA；Carnegie Mellon University（卡内基梅隆大学）
本文提出V2V-GoT框架，结合多模态大语言模型和图-思维方法，提升车对车协同自动驾驶的感知、预测和规划能力。
2026-02-16 cs.RO
Reimagining an autonomous vehicle
Wayve Technologies Ltd.（Wayve科技有限公司）
2021年的自动驾驶挑战是本世纪的太空竞赛，现在正进入第二个主要发展十年。解决这项技术将创造与汽车本身的发明平行的社会变革。今天的自动驾驶技术值得称赞，尽管它植根于十年前做出的决定。我们认为，需要重新思考，根据自DARPA挑战以来获得的知识体系重新考虑自动驾驶汽车（AV）问题。AV2.0是什么样子的？我们提出了另一种愿景：机器学习驾驶的秘诀，以及驾驶研究的巨大挑战。
2021-08-12 cs.AI cs.LG cs.RO
Bridging the Gap between Open Source Software and Vehicle Hardware for Autonomous Driving
fortiss GmbH（福蒂斯有限公司）；Technische Universität München（慕尼黑工业大学）
尽管过去内置的中已经构建了许多用于自动驾驶的研究车辆平台，但硬件设计、源代码和经验教训尚未提供给下一代演示者。这提高了研究界的努力，以贡献基于现实世界的评估结果，因为建造和维护研究车辆的工程知识丢失了。在本文中，我们提供了一个分析我们的方法来转移一个开源的驱动堆栈的研究车辆。我们将硬件和软件设置放在其他演示者的背景下，并解释导致我们选择硬件和软件设计的标准。具体来说，我们讨论了阿波罗驾驶堆栈的映射到我们的研究车辆，Fortuna的系统布局，包括通过在实时硬件平台上运行的控制器与执行器的通信和传感器设置的集成。通过我们收集的经验教训，我们鼓励其他研究小组在未来更快地建立这样的系统。
2019-11-29 cs.RO
Capture Uncertainties in Deep Neural Networks for Safe Operation of Autonomous Driving Vehicles
基于深度神经网络（DNN）的感知和车辆运动的不确定性对安全自动驾驶车辆的开发提出了挑战。在本文中，我们提出了一个安全的运动规划框架，其特点是量化和传播基于DNN的感知不确定性和运动不确定性。这项工作的贡献有两个方面：（1）贝叶斯深度神经网络模型，它检测3D对象并定量捕获DNN的相关随机和认知不确定性;（2）不确定性感知运动规划算法（PU-RRT），它考虑了目标检测和自我车辆运动中的不确定性。通过在内置的CARLA中模拟复杂场景验证了所提出的方法。实验结果表明，所提出的运动规划方案能够有效应对基于DNN的感知和车辆运动的不确定性，提高自主车辆的运行安全性，同时仍能获得理想的效率。
2021-08-11 cs.AI cs.RO cs.SY
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
INTERNEURON: A Middleware with Multi-Network Communication Reliability for Infrastructure Vehicle Cooperative Autonomous Driving
Institute of Computing Technology, CAS（中国科学院计算技术研究所）；University of Delaware（特拉华大学）；University of Chinese Academy of Sciences（中国科学院大学）
结构-车辆协同自动驾驶（IVCAD）是一种新的自动驾驶模式，它依赖于智能道路和自动驾驶车辆之间的协作。与仅车载自动驾驶模式相比，这种模式已被证明更安全，更高效。我们的实际部署数据表明，IVCAD的有效性受到商业通信网络的可靠性和性能的限制。本文正是针对这一问题，并提出了INTERNEURON，一个中间件，以实现智能道路和自动驾驶汽车之间的高通信可靠性，在IVCAD的背景下。具体而言，INTERNEURON根据不同的通信性能和质量需求，动态匹配IVCAD应用程序和底层通信技术。评估结果证实，INTERNEURON减少了超过95%的最后期限违规，显着提高了IVCAD系统的可靠性。
2022-10-28 cs.PL cs.RO
A Maneuver-based Urban Driving Dataset and Model for Cooperative Vehicle Applications
University of Central Florida（中佛罗里达大学）
自动驾驶的短期未来可以想象为一种混合场景，在这种场景中，自动驾驶和人类驾驶的车辆在同一环境中共存。为了解决这种道路配置的需求，许多技术解决方案，如车辆通信和预测控制的自动驾驶汽车已在文献中介绍。上述两种解决方案都依赖于人类驾驶员的驾驶数据。在这项工作中，我们调查了目前可用的驾驶数据集，并介绍了在我们的城市驾驶数据收集活动中收集的基于真实世界的驾驶数据集。我们还提供了一个模型，该模型将模式嵌入到特定的样本中。这种模型可以用于分类和预测目的。
2020-08-21 cs.RO eess.SP
Investigating Driving Interactions: A Robust Multi-Agent Simulation Framework for Autonomous Vehicles
Technical University of 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）；Institute of Automotive Technology（汽车技术研究所）
针对自动驾驶验证不足，提出同步多智能体仿真框架，集成规划方法与评估指标，模拟交互及边缘场景，验证交互关键作用，开源加速研究。
2024-02-07 cs.RO
Emergency Vehicles Audio Detection and Localization in Autonomous Driving
Apollo Autonomous Driving USA, a Baidu company（百度公司旗下美国阿波罗自动驾驶部门）
服务中的紧急车辆有优先于所有其他车辆的通行权。因此，所有其他车辆都应该采取适当的行动，让紧急车辆与积极的警报器。由于这项任务需要人类驾驶员的耳朵和眼睛之间的合作，因此还需要音频检测作为完全自动驾驶车辆基于视觉算法的补充。在城市驾驶场景中，我们需要知道紧急车辆的存在及其相对位置，以决定适当的行动。我们提出了一个新的系统，从收集现实世界的警笛数据部署的模型，只使用两个具有成本效益的麦克风。我们能够分别为每项任务实现有希望的性能，特别是在关键的10米至50米距离范围内做出反应（我们的自我车辆的尺寸约为5米长，2米宽）。在此范围内，判断警报器存在的召回率为99.16%，角度绝对误差的中位数和平均值分别为9.64°和19.18°，距离绝对误差的中位数和平均值分别为9.30 m和10.58 m。我们还对各种机器学习方法进行了基准测试，这些方法可以在50 ms的延迟内同时确定警笛的存在和声源定位，包括方向和距离。
2021-10-02 cs.AI cs.RO cs.SD
DRF: A Framework for High-Accuracy Autonomous Driving Vehicle Modeling
Baidu USA LLC（百度美国有限责任公司）
精确的车辆动力学模型是自动驾驶仿真与实车道路试验之间的桥梁。本文提出了一种用于汽车动力学建模的动力学模型-残差修正模型框架（DRF）。该框架在现有开环动态模型的基础上，通过将深度神经网络（NN）与稀疏变分高斯过程（SVGP）模型相结合，构建了残差校正模型（RCM）。RCM将一定时间段内的车辆控制命令和动态状态序列作为建模输入，使用深度编码器网络从该序列中提取底层上下文，并预测开环动态模型预测误差。五个车辆动力学模型，通过编码器的变化来自DRF。我们的贡献是巩固的绝对弹道误差和DRF输出和地面真理之间的相似性评价实验。与经典的基于规则和基于学习的车辆动力学模型相比，DRF在所有DRF变化中实现了高达74.12%至85.02%的绝对轨迹误差下降。
2020-11-01 cs.RO
Road Traffic Law Adaptive Decision-making for Self-Driving Vehicles
Tsinghua University（清华大学）；Road Traffic Safety Research Center（道路交通安全研究中心）；Beijing Institute of Technology（北京理工大学）；Carnegie Mellon University（卡内基梅隆大学）
本文提出一种基于强化学习和线性时序逻辑的道路交通法规自适应决策方法，通过法规自适应后备策略、长期动作空间监测和轨迹重规划，使自动驾驶车辆在CARLA模拟场景中有效遵守新颁布或更新的交通法规。
2023-04-19 cs.RO cs.SY eess.SY
V2V-LLM: Vehicle-to-Vehicle Cooperative Autonomous Driving with Multimodal Large Language Models
NVIDIA；Carnegie Mellon University（卡内基梅隆大学）
本文提出基于多模态大语言模型的V2V-LLM，通过车与车协同感知提升自动驾驶安全性和性能。
2026-02-16 cs.CV cs.RO
Self-Perception Versus Objective Driving Behavior: Subject Study of Lateral Vehicle Guidance
Institute for Driver Assistance and Connected Mobility, University of Applied Science Kempten（肯普滕应用科学大学驾驶辅助与互联移动研究所）；Department of Automotive Engineering, Technical University Berlin（柏林工业大学汽车工程系）
本文通过62名德国驾驶员的受控实车研究，提出评估横向弯道通过行为的新指标，并引入德语版多维驾驶风格量表MDSI-DE，发现自我报告与客观横向驾驶行为仅存在适度相关且个体差异显著，为个性化自动驾驶横向控制提供数据支持。
2024-02-21 cs.RO cs.SY eess.SY
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
Motion Comfort Optimization for Autonomous Vehicles: Concepts, Methods, and Techniques
University of North Texas（北德克萨斯大学）；Fordham University（福特汉姆大学）；Qatar University（卡塔尔大学）；University of Nebraska at Kearney（内布拉斯加大学卡尼尔分校）；Mohamed Bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学（MBZUAI））；Hamad Bin Khalifa University（哈马德·本·哈利法大学）
本文从人类舒适性视角综述自动驾驶架构、舒适度测量与优化技术，分析传感器天气限制及市场影响，并给出用例与未来展望。
2023-06-15 cs.AI cs.CV cs.LG
A Survey on Deep-Learning Approaches for Vehicle Trajectory Prediction in Autonomous Driving
The Chinese University of Hong Kong（香港中文大学）；Southern University of Science and Technology（南方科技大学）；Shenzhen Research Institute of the Chinese University of Hong Kong（香港中文大学深圳研究院）
随着机器学习的快速发展，自动驾驶成为热点问题，对更智能的感知和规划系统提出了迫切需求。自动驾驶汽车可以通过精确预测周围车辆的未来轨迹来避免交通事故。在这项工作中，我们回顾和分类现有的基于学习的轨迹预测方法从表示，建模和学习的角度。此外，我们在https：//github.com/Henry1iu/TNT-Trajectory-Predition上公开了我们的Target-driveN Trajectory Prediction实现，展示了其出色的性能，而其原始代码被保留。本文的研究成果对提高弹道预测性能具有一定的启示作用。
2021-10-29 cs.RO
Roadside-assisted Cooperative Planning using Future Path Sharing for Autonomous Driving
Graduate School of Information Science and Technology, The University of Tokyo（东京大学信息科学与技术研究生院）；School of Computing, Tokyo Institute of Technology（东京工业大学计算机学院）
协作智能交通系统（ITS）由自主车辆用于与周围的自主车辆和路边单元（RSU）通信。目前的C-ITS应用主要集中在实时信息共享，如协同感知。除了实时信息共享，自动驾驶汽车还需要协调行动计划，以实现更高的安全性和效率。为此，本研究定义了车辆的未来行动计划/路径，并设计了一个合作的路径规划模型在交叉口使用未来的路径共享的基础上，未来的路径信息的多辆车。其概念是，当RSU根据共享的未来路径检测到车辆路径的潜在冲突或加速机会时，它将生成调整车辆速度的协调路径更新。我们使用开源Autoware自动驾驶软件实现了所提出的方法，并使用LGSVL自动驾驶汽车模拟器对其进行了评估。我们对两辆车在一个盲路口的场景进行了模拟实验，发现每辆车都可以通过规划一条反映所有车辆行动计划的路径来安全、更有效地行驶。通过引入RSU所消耗的时间比在十字路口的独立自动驾驶案例缩短了23.0%和28.1%。
2021-08-10 cs.RO
AutoMCM: Maneuver Coordination Service with Abstracted Functions for Autonomous Driving
The University of Tokyo（东京大学）
协同智能交通系统（C-ITS）使用车联网（V2X）技术，使自动驾驶车辆更安全、更高效。目前的C-ITS应用主要集中在实时信息共享，如协同感知。除了更好的实时感知，自动驾驶汽车还需要通过协调行动计划来实现更高的安全性和效率。本研究设计了一个机动协调（MC）协议，使用七个消息，以涵盖各种方案和一个抽象的MC支持服务。我们通过扩展两个开源软件工具来实现我们的建议，即AutoMCM：用于自动驾驶的Autoware和用于C-ITS的OpenC 2X。结果表明，我们的系统有效地减少了通信带宽，通过限制消息交换的事件驱动的方式。此外，它表明，当车辆速度为30 km/h时，车辆运行速度提高了15%，当车辆速度为50 km/h时，使用我们的方案提高了28%。我们的系统在实验中表现出对数据包丢失的鲁棒性时，适当地设置消息超时参数。
2021-07-14 cs.RO
Robust AI Driving Strategy for Autonomous Vehicles
Ford Motor Company（福特汽车公司）
在自动驾驶的传感、感知和定位方面已经取得了重大进展，然而，由于交通/道路结构场景的广泛性和人类驾驶员行为的长尾分布，对于智能车辆来说，始终知道如何在给定可用的传感/感知/定位信息的情况下对道路做出并执行最佳决策仍然是一个公开的挑战。在本章中，我们将讨论人工智能，更具体地说，强化学习，如何利用操作知识和安全反射来做出战略和战术决策。我们讨论了与强化学习解决方案的鲁棒性相关的一些具有挑战性的问题，以及它们对自动驾驶汽车驾驶策略的实际设计的影响。我们专注于高速公路上的自动驾驶以及强化学习、车辆运动控制和控制障碍功能的集成，从而形成一种强大的AI驾驶策略，可以安全地学习和适应。
2022-07-16 cs.RO cs.SY eess.SY
GridSim: A Vehicle Kinematics Engine for Deep Neuroevolutionary Control in Autonomous Driving
Elektrobit Automotive Romania（罗马尼亚Elektrobit汽车公司）；Transilvania University of Brasov（布拉索夫特兰西瓦尼亚大学）
目前，自动驾驶汽车控制领域的解决方案主要使用有监督的端到端学习，或解耦的感知、规划和动作管道。另一种可能的解决方案是深度强化学习，但这种方法要求智能体在模拟环境中与周围环境交互。在本文中，我们介绍了GridSim，这是一个自动驾驶模拟器引擎运行的汽车般的机器人架构，从模拟传感器生成占用网格。我们使用GridSim来研究两种深度学习方法的性能，即深度强化学习和通过遗传算法驱动行为学习。深度网络将期望的行为编码在描述最大行进距离和最大前进速度的两个元素适应度函数中，该函数被限制到特定的区间。该算法在模拟高速公路，弯道和市中心的情况下进行评估，所有这些都包括不同的驾驶限制。
2019-01-16 cs.RO
Towards Socially Responsive Autonomous Vehicles: A Reinforcement Learning Framework with Driving Priors and Coordination Awareness
Tongji University（同济大学）
本文提出一种结合驾驶先验学习与协调倾向量化的强化学习框架，通过多头注意力策略网络提升自动驾驶汽车在混合交通中的决策质量并促使其产生社会协调行为。
2023-09-18 cs.RO
Autonomous Driving - 5 Years after the Urban Challenge: The Anticipatory Vehicle as a Cyber-Physical System
Chalmers | University of Gothenburg（查尔姆斯理工大学 | 哥德堡大学）；RWTH Aachen University（亚琛工业大学）
2007年11月，DARPA城市挑战赛在加利福尼亚州维克多维尔的前乔治空军基地举行，以促进城市环境中自动驾驶车辆的研究和开发。在最后一场比赛中，最初的89名参赛者中只有11人参加，卡内基梅隆大学的“老板”成功了。本文总结了所有决赛选手在过去五年内开展的研究结果，并提供了一个展望，特别是软件工程的进一步调查，现在是必要的，以实现安全可靠地驾驶通过城市环境与大众市场的预期车辆的目标。
2014-09-01 cs.RO cs.SE
Design, Field Evaluation, and Traffic Analysis of a Competitive Autonomous Driving Model in a Congested Environment
Korea Advanced Institute of Science and Technologies (KAIST)（韩国科学技术院）
最近，许多研究已经调查了使用车辆到一切（V2X）之间的通信的协作交通系统。不幸的是，当部署多个自动驾驶车辆同时暴露于通信故障时，各种自动驾驶车辆之间可能存在理想条件的冲突，从而导致道路上的对抗情况。在韩国，虚拟和现实城市自动多车比赛分别于2021年3月和11月举行。在比赛中，多辆车同时参与，这需要操纵，如超车低速车辆，通过十字路口，并遵守交通法规。在这项研究中，我们引入了一个完全自动驾驶的软件栈来部署一个有竞争力的驾驶模型，这使我们能够赢得城市自动驾驶多车比赛。我们评估基于模块的系统，如导航，感知和规划在现实和虚拟环境中。此外，在通过通信收集多个车辆位置数据之后执行交通分析，以获得对多智能体自动驾驶场景的额外洞察。最后，我们提出了一种分析交通的方法，以比较多辆自动驾驶汽车的空间分布。我们研究每个团队的驾驶日志数据之间的相似性分布，以确定竞争性自动驾驶对交通环境的影响。
2022-11-07 cs.RO cs.SY eess.SY
Risk-anticipatory autonomous driving strategies considering vehicles' weights, based on hierarchical deep reinforcement learning
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Tongji University（同济大学）；The Hong Kong University of Science and Technology（香港科技大学）
提出一种考虑周围车辆重量、基于风险场与分层深度强化学习的自动驾驶策略，通过AT-HPPO处理混合动作空间，并用PCEC评估事故后果，在仿真和数据集上同时降低潜在事故概率与严重程度并保持效率。
2024-05-07 cs.LG cs.RO
Safe Driving Capacity of Autonomous Vehicles
Department of Electrical Engineering（电气工程系）；National Taiwan University（国立台湾大学）
本文通过线性时序逻辑定义道路和车辆的安全状态，提出安全驾驶吞吐量和容量概念，分析不同因素对安全驾驶吞吐量的影响，并比较基于感知和协作车辆的道路安全驾驶容量差异。
2018-05-26 cs.RO cs.SY eess.SP
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
Numerical Energy Analysis of In-wheel Motor Driven Autonomous Electric Vehicles
Case Western Reserve University（凯斯西储大学）；Nantong University（南通大学）
自主电动汽车作为未来地面交通的发展方向受到广泛的研究，但基于传统动力传动系统的自主电动汽车限制了其能量和动力的传输效率，可能会阻碍其广泛的应用。在这里，我们报告了一项关于由轮内电机驱动的中型自主电动汽车的能耗和效率改善的研究，通过开发一个数值能量模型，用实际驾驶数据进行验证，并在案例研究中实施。通过平路、上坡、下坡3种行驶工况下的能量分析，考察了能量消耗情况，并对轮毂电机驱动动力总成系统的节能潜力进行了系统的探讨。在考虑再生制动能量回收的基础上，基于车辆动力学和自动驾驶模式，计算了特定行驶循环下的能耗和再生能量。使用西洛杉矶的基线电动汽车驾驶数据进行了案例研究。结果发现，在轮内电机驱动的自主电动汽车可以节省高达17.5%的能源相比，传统的电动汽车在斜坡行驶。利用某商用轮毂电机的效率图，研究得到的数值能量模型和验证结果符合实际情况，可用于支持未来更节能的自主电动汽车的可持续发展。
2021-04-10 cs.RO cs.SY eess.SY
Automatic Parameter Tuning of Self-Driving Vehicles
BMW Group（宝马集团）
本文提出一种自动驾驶车辆轨迹规划与控制参数的自动调整方法，通过捕捉控制器闭环运行与专家演示偏差的代价函数并结合局部优化技术，在真实车道保持场景中显著优于手动调参。
2024-06-25 cs.RO cs.SY eess.SY
An Algorithm for Supervised Driving of Cooperative Semi-Autonomous Vehicles (Extended)
MINES ParisTech（巴黎高科矿业学校）；PSL Research University（巴黎文理研究大学）；École des Ponts ParisTech（巴黎高科桥梁学院）
在实现完全自动驾驶之前，车辆将逐渐配备越来越先进的驾驶员辅助系统（ADAS），有效地使其半自动驾驶。然而，目前的ADAS技术似乎无法处理复杂的交通情况，特别是在处理从两侧到达的车辆时，无论是在十字路口还是在高速公路上合并时。这些环境中的高事故率证明，它们构成了困难的驾驶情况。此外，交叉口和合流车道往往是重要的交通拥堵的根源，有时甚至是僵局。在这篇文章中，我们提出了一个合作框架，以安全地协调半自动驾驶汽车在这种情况下，消除碰撞或死锁的风险，同时保持与人类驾驶兼容。更具体地说，我们提出了一种监督协调方案，当人类驾驶员的控制输入会导致不安全或堵塞的情况时，该方案会覆盖这些输入。为了避免不必要的干预，并保持与人类驾驶兼容，只有在碰撞或死锁即将发生时才会发生超驰。在这种情况下，选择安全的超驰控制，同时确保它们最小限度地偏离驾驶员最初要求的控制。基于现实物理模拟器的仿真结果表明，我们的方法可扩展到现实世界的场景，计算可以在一台标准计算机上实时执行，最多可同时运行十几辆车。
2017-06-25 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
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
Should Teleoperation Be like Driving in a Car? Comparison of Teleoperation HMIs
Institute of Automotive Technology, Technical University of Munich (TUM)（慕尼黑工业大学汽车工程研究所）
本研究比较了自动驾驶车辆远程操作的三种人机界面原型，发现分离输入路径和速度的鼠标键盘或触摸屏方式更受青睐但速度较慢。
2024-04-26 cs.HC cs.RO
Energy-Efficient Autonomous Driving Using Cognitive Driver Behavioral Models and Reinforcement Learning
University of Michigan（密歇根大学）
预计自动驾驶技术不仅可以提高机动性和道路安全性，还可以带来能源效率方面的好处。在可预见的未来，自动驾驶汽车（AV）将在与人类驾驶汽车共享的道路上运行。为了保持安全性和活力，同时最大限度地减少能源消耗，自动驾驶规划和决策过程应该考虑到自主自我车辆与周围人类驾驶车辆之间的相互作用。在本章中，我们描述了一个框架，通过利用基于认知层次理论和强化学习的人类驾驶员行为建模，在共享道路上开发节能自动驾驶政策。
2021-11-27 cs.RO cs.SY eess.SY
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
Towards Safe Autonomous Driving: Capture Uncertainty in the Deep Neural Network For Lidar 3D Vehicle Detection
Robert Bosch GmbH（罗伯特·博世有限公司）；Ulm University（乌尔姆大学）
为了确保自动驾驶汽车在公共道路上安全行驶，其目标检测模块不仅要正确工作，还要显示其预测的可信度。以前由深度学习驱动的对象检测器没有明确地对神经网络中的不确定性进行建模。我们通过提出实用的方法来捕获激光雷达点云的3D车辆检测器中的不确定性来解决这个问题。建议的概率检测器代表可靠的认知不确定性和任意的不确定性分类和定位任务。实验结果表明，认知不确定性与检测精度有关，而任意不确定性受车辆距离和遮挡的影响。实验结果还表明，通过对任意不确定度进行建模，可以使检测性能提高1%~ 5%。
2018-09-07 cs.CV cs.RO
An Agent-based Modelling Framework for Driving Policy Learning in Connected and Autonomous Vehicles
Institute for Digital Technologies, Loughborough University（拉夫堡大学数字技术研究所）
由于自然世界的复杂性，程序员无法预见所有可能的情况，连接和自主车辆（CAV）将在其操作过程中面临，因此，CAV将需要学习自主决策。由于其周围环境的感知以及与其他车辆和道路基础设施交换的信息，CAV将获得大量有用的数据。虽然已经提出了不同的控制算法的CAV，自动驾驶汽车的连接到其他车辆和基础设施所带来的好处，其影响同策略学习还没有在文献中研究。本文研究了一个数据驱动的策略学习框架，通过基于代理的建模方法。该文件的贡献是双重的。提出了一种动态规划框架，用于在有和没有与相邻车辆的连接的情况下进行车载策略学习。仿真结果表明，虽然CAV可以学习做出自主决策，但车辆对车辆（V2V）的信息通信提高了这种能力。此外，为了克服CAV中传感的局限性，本文提出了一种新的概念，用于基础设施引导的策略学习和与自动驾驶车辆的通信。在基础设施引导的策略学习中，路边基础设施感测并捕获成功的车辆操纵，并从这些时间序列中学习最优策略，并且当车辆接近路边单元时，该策略被传达给CAV。提出了深度模仿学习方法来开发这样一个基础设施引导的策略学习框架。
2018-08-23 cs.MA cs.RO
The Role of Machine Learning for Trajectory Prediction in Cooperative Driving
King’s College London（伦敦国王学院）；Centre For Telecommunications Research Department of Engineering（电信研究中心工程系）
在本文中，我们研究的作用，机器学习可以发挥协同驾驶。鉴于现代车辆和道路基础设施的连接率不断提高，协同驾驶是自动驾驶的第一步。本文探讨的示例场景是协调车道合并，数据汇集、测试和评估都在汽车测试轨道上进行。假设车辆是配备车载通信单元的车辆（即连接车辆）和未连接车辆的混合。然而，路边摄像头是连接的，可以捕捉所有车辆，包括那些没有连接的车辆。我们开发了一个交通导航器，它可以根据这两个信息源（即连接的车辆和连接的路边摄像头）来建议轨迹。建立推荐的轨迹，然后将其传达回连接的车辆。我们探索使用不同的机器学习技术，准确和及时的预测轨迹。
2020-10-21 cs.LG cs.RO
Learning from All Vehicles
UT Austin（德克萨斯大学奥斯汀分校）
在本文中，我们提出了一个系统，训练驾驶政策的经验收集，不仅从自我车辆，但它观察到的所有车辆。该系统使用其他代理的行为来创建更多样化的驾驶场景，而无需收集额外的数据。从其他车辆学习的主要困难是没有传感器信息。我们使用一组监督任务来学习一个中间表示，它对控制车辆的观点是不变的。这不仅在训练时提供了更丰富的信号，而且还允许在推理期间进行更复杂的推理。了解所有车辆如何驾驶有助于预测它们在测试时的行为，并可以避免碰撞。我们评估这个系统在闭环驾驶模拟。我们的系统在公共CARLA排行榜上的表现远远优于所有先前的方法，将驾驶分数提高了25分，路线完成率提高了24分。我们的方法赢得了2021年CARLA自动驾驶挑战赛。代码和数据可在https://github.com/dotchen/LAV上获得。
2022-09-11 cs.CV cs.LG cs.RO
The Importance of Autonomous Driving Using 5G Technology
Northwestern University（西北大学）
自动驾驶的三个关键是传感器、数据集成和100%安全决策。过去，由于网络的高延迟和低可靠性，许多决策必须在车辆中本地做出。这对车辆本身提出了很高的要求，导致自动驾驶的商业化进程缓慢。随着5G的到来，这些情况将得到极大改善。在本文中，我们介绍了5G技术为自动驾驶汽车带来的改进，特别是在延迟和可靠性方面。本文分析了5G可以改进自动驾驶汽车和智能交通系统（ITS）的具体领域，并展望了5G技术在未来的应用。
2021-08-20 cs.RO eess.SP
V2X-Lead: LiDAR-based End-to-End Autonomous Driving with Vehicle-to-Everything Communication Integration
Huazhong University of Science and Technology（华中科技大学）；Dalian University of Technology（大连理工大学）
本文提出V2X-Lead，融合车载LiDAR与V2X通信数据，利用无模型离策略DRL、奖励设计和多任务学习提升端到端自动驾驶在无信号交叉口及未见场景中的安全性、效率与泛化性。
2023-09-26 cs.LG 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
RACE: Reinforced Cooperative Autonomous Vehicle Collision AvoidancE
University of Goettingen（哥廷根大学）；Nankai University（南开大学）
随着自动驾驶的快速发展，防撞问题引起了学术界和工业界的广泛关注。近年来出现了许多避碰策略，但驾驶环境的动态性和复杂性对开发鲁棒的避碰算法提出了挑战。因此，在本文中，我们提出了一个分散的框架，名为RACE：加强合作自主车辆碰撞避免。利用分层架构，我们开发了一种名为Co-DDPG的算法，以有效地训练自动驾驶车辆。通过安全遵守通道，自动驾驶车辆分发其驾驶策略。我们使用对方传感器获得的相对距离来构建VANET，而不是位置，这保证了车辆的位置隐私。RACE采用Leader-Follower结构和参数分布，加速了最优策略的学习，并有效地利用了剩余资源。我们在广泛使用的TORCS仿真器中实现了RACE框架，并进行了各种实验来测量RACE的性能。评估表明，RACE能够快速学习最佳驾驶策略，并有效避免碰撞。此外，RACE也可以随着参与车辆的数量变化而平稳地扩展。我们进一步将RACE与现有的自动驾驶系统进行了比较，结果表明RACE在训练过程中的碰撞减少了65%，并且在不同的车辆密度下表现出更好的性能。
2020-04-02 cs.NI cs.RO
