A Driver-Vehicle Model for ADS Scenario-based Testing
University of Waterloo(滑铁卢大学);Ruhr University Bochum(波鸿鲁尔大学);Gran Sasso Science Institute (GSSI)(格兰萨索科学研究所)
提出仿真驾驶员-车辆(SDV)模型,结合行为树与优化规划器实现真实微观交通仿真,支持行为重用与测试可重复性,有效识别真实ADS的碰撞场景。
2024-05-30 cs.RO
Implementation of Road Safety Perception in Autonomous Vehicles in a Lane Change Scenario
Johannes Kepler University Linz(林茨约翰内斯·开普勒大学)
理解人类驾驶行为对于开发自动驾驶汽车算法至关重要。然而,大多数低级自动化,例如高级驾驶辅助系统(ADAS)中的自动化,都是基于客观的安全措施,这些措施并不总是与驾驶员认为安全的内容及其相应的驾驶行为保持一致。本文分析了在主观感知和客观安全措施之间寻找桥梁的问题,特别关注换道场景。结果表明,什么是被认为是安全的驾驶员和客观的指标,这取决于具体的机动和位置的司机之间的统计显着差异。
2022-11-02 cs.RO
Benchmarking of a software stack for autonomous racing against a professional human race driver
Technical University of Munich(慕尼黑工业大学)
公共道路车辆实现完全自主的道路需要逐步取代人类驾驶员,最终目标是完全取代驾驶员。最终,驾驶软件必须能够处理自己发生的所有情况,甚至是紧急情况。这些特殊情况需要在操纵极限下采取极端的制动和转向联合行动,以避免事故或减少其后果。普通的人类驾驶员没有受过处理这种极端和很少发生的情况的训练,因此经常无法做到这一点。然而,专业赛车手被训练成利用最大量的可能轮胎力来驾驶车辆。这些能力对于自动驾驶软件的开发具有很高的兴趣。在这里,我们将专业赛车手和我们为自动驾驶赛车开发的软件堆栈与赛车运动中建立的数据分析技术进行比较。这项研究的目标是获得进一步改善我们的软件性能的迹象,并确定它仍然无法满足人类赛车手的性能水平的领域。我们的研究结果用于扩展我们软件的功能,并将我们的研究结果纳入公共道路自动驾驶汽车的研究和开发中。
2020-05-20 cs.HC cs.RO
Automated Failure-Mode Clustering and Labeling for Informed Car-To-Driver Handover in Autonomous Vehicles
University of Colorado Boulder(科罗拉多大学博尔德分校)
当车辆无法自行安全行驶时,车辆与驾驶员的切换是安全自动驾驶车辆操作的一个至关重要的组成部分。这种切换在汽车中的当前实现方式采取指示即将将控制转移回人类驾驶员的通用警报的形式。然而,某些级别的车辆自主性可能允许驾驶员在切换之前从事其他非驾驶相关的任务,导致快速恢复态势感知的巨大困难。除非采取缓解措施,否则重新定向延迟可能导致危及生命的故障。可解释的人工智能已被证明可以提高人机协作场景中的流畅性和团队合作。因此,我们假设,通过利用自主解释,这些汽车到驾驶员的转换可以更安全和可靠地进行。其基本原理是,通过为驾驶员提供额外的情境知识,他们将更快地专注于驾驶环境的相关部分。为此,我们提出了一种算法故障模式识别和解释方法,使知情的驾驶员从车辆。此外,我们提出了一套人类主体驾驶模拟器的研究,以确定适当的形式的解释,以及验证我们的框架。
2020-05-09 cs.HC cs.RO
Real-Time Forecasting of Driver-Vehicle Dynamics on 3D Roads: a Deep-Learning Framework Leveraging Bayesian Optimisation
Politecnico di Milano(米兰理工大学)
针对复杂三维道路上车辆动力学实时长期预测需求,提出融合LSTM自编码器与贝叶斯优化的驾驶员-车辆耦合系统预测框架,并通过驾驶模拟器案例验证其有效性与鲁棒性。
2022-05-04 cs.RO
Cooperative Autonomous Vehicles that Sympathize with Human Drivers
University of Central Florida(中佛罗里达大学);Stanford University(斯坦福大学);University of California, Santa Barbara(加州大学圣巴巴拉分校)
在开发出使这些智能代理与人类共存的解决方案之前,自动驾驶汽车的广泛采用不会成为现实。这包括安全有效地与人类驾驶的车辆进行交互,特别是在冲突和竞争的情况下。我们建立在先前关于社会意识导航的工作基础上,并从心理学中借用社会价值取向的概念-正式确定一个人对他人福利的重视程度-以诱导自动驾驶中的利他行为。与现有的明确模拟人类驾驶员的行为,并依赖于他们的预期反应,以创造合作的机会,我们的同情合作驾驶(SymCoDrive)范式培训利他代理,实现安全和顺畅的交通流在竞争激烈的驾驶场景中,只有从经验学习,没有任何明确的协调。我们证明了显着的改善,在安全和交通水平的指标,作为这种利他主义的行为的结果,并得出重要的结论,利他主义的代理水平需要适当的调整,因为代理太利他主义也导致次优的交通流量。代码和补充材料可在以下网址获得:https://symcodrive.toghi.net/
2021-07-02 cs.RO
Vision-Based Autonomous Vehicle Control using the Two-Point Visual Driver Control Model
Waymo;Zoox;Georgia Institute of Technology(佐治亚理工学院)
这项工作提出了一种新的自动驾驶框架,该框架使用人类驾驶员控制模型,其特征输入值使用深度卷积神经网络(CNN)从图像中提取。最近,使用CNN以及加速计算硬件的图像处理技术的发展使得能够实时检测这些特征输入值。使用人类驾驶员模型可以使自动驾驶车辆的驾驶行为更加“自然”。具体来说,我们使用众所周知的两点视觉驾驶员控制模型作为控制器,并使用自上而下的车道成本图CNN和YOLOv 2 CNN来提取特征输入值。这个框架完全依赖于低成本传感器的输入,如单目摄像头和车轮速度传感器。我们实验验证所提出的框架在室外轨道上使用1/5规模的自主车辆平台。
2019-09-29 cs.CV cs.RO
Human Driver Behavior Prediction based on UrbanFlow
Carnegie Mellon University(卡内基梅隆大学);General Motors(通用汽车)
自动驾驶汽车和人类驾驶员如何共享公共交通系统是一个重要的问题,因为全自动交通环境还有很长的路要走。理解人类驾驶员的行为可以有利于自主车辆的决策和规划,特别是当自主车辆被具有各种驾驶行为和与其他车辆交互模式的人类驾驶员包围时。在本文中,我们提出了一种基于LSTM的轨迹预测方法,为人类驾驶员,可以帮助自动驾驶汽车做出更好的决策,特别是在城市交叉口的场景。同时,为了收集人类驾驶员在城市场景中的驾驶行为数据,我们描述了一个名为UrbanFlow的系统,该系统包括通过无人机从原始鸟瞰图数据汇集到最终处理轨迹的整个过程。该系统主要用于城市场景,但可以扩展到用于任何交通场景。
2019-11-09 cs.LG cs.RO
Characterizing Driver Interactions with Autonomous Vehicles via Response Maps
University of New Mexico(新墨西哥大学);Cornell Tech(康奈尔科技)
本文基于博弈论中的响应图概念,利用驾驶模拟器数据线性表示驾驶员行为,发现驾驶员加速行为可被响应图捕获,且对自动驾驶车辆的让行、不让行和响应行为有显著差异。
2026-06-29 cs.RO cs.SY eess.SY
A Framework for Analysing Driver Interactions with Semi-Autonomous Vehicles
Digital Security and Forensics (SaFe) Research Group(数字安全与取证研究组);Department of Computing, Faculty of Engineering and Computing(工程与计算学院计算机系);Coventry University(考文垂大学);Centre for Software Assurance(软件保证中心);Bond University(邦德大学)
提出一个结合人类行为经验模型与环境系统模型的框架,通过模型检验分析驾驶员与半自主车辆交互的安全性,并以驾驶员疲劳为例验证其适用性。
2013-01-01 cs.HC cs.RO cs.SY
Driver-Specific Risk Recognition in Interactive Driving Scenarios using Graph Representation
本文提出了一种自动驾驶汽车的驾驶员特定的风险识别框架,可以提取车辆间的相互作用。这种提取是在驾驶员认知的方式进行城市驾驶场景,以提高识别准确率的危险场景。首先,对驾驶员的操作数据进行聚类分析,学习不同驾驶员对危险场景的主观评价,并为每个场景生成相应的风险标签。其次,采用图表示模型(GRM),将真实驾驶场景中的动态车辆、车辆间交互和静态交通标记的特征统一构造成图。特定于驾驶员的风险标签提供了基础事实,以捕获不同驾驶员的风险评估标准。此外,图模型表示驾驶场景的多个特征。因此,所提出的框架可以学习不同驾驶员的驾驶场景的风险评估模式,并建立特定于驾驶员的风险标识符。最后,所提出的框架的性能进行了评估,通过实验进行使用真实世界的城市驾驶数据集收集的多个驱动程序。结果表明,该框架可以准确地识别实际驾驶环境中的风险及其水平。
2021-11-11 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
Adversarial Reinforcement Learning Framework for Benchmarking Collision Avoidance Mechanisms in Autonomous Vehicles
随着人们对自主导航的兴趣的迅速增长,关于运动规划和避碰技术的研究机构已经享受到了新的建议和发展的加速速度。然而,新技术的复杂性及其安全要求使得目前的大部分基准框架不足,从而使有效的比较技术的需要没有得到解决。这项工作提出了一种基于深度强化学习的新框架,用于在处理最佳对抗代理的最坏情况下对碰撞避免机制的行为进行基准测试,该代理经过训练以将系统驱动到不安全状态。我们描述了这个框架的架构和流程作为一个基准的解决方案,并通过一个实际的案例研究,比较两个避碰机制的可靠性,在故意碰撞尝试证明其有效性。
2018-06-04 cs.AI cs.RO
A Study of the Minimum Safe Distance between Human Driven and Driverless Cars Using Safe Distance Model
School of Transportation and Logistics, Southwest Jiaotong University(西南交通大学交通运输与物流学院);Amazon Toronto(亚马逊多伦多分部)
驾驶时,保持车辆之间的正确跟随距离至关重要,以避免追尾事故。最小安全距离取决于许多因素,但在本研究中,基于人类驾驶员在事故中的反应能力、车辆制动系统性能和车辆速度,研究了在自动紧急制动器突然停止时人类驾驶车辆与完全自主车辆之间的安全距离。对于这种方法,提出了一种安全距离跟车模型,用于描述在单车道干燥道路上两辆车保持恒定速度移动的条件下车辆之间的安全距离,并且领先的自动驾驶车辆在即将发生的事件中通过自动紧急制动突然停止。最后利用MATLAB仿真对模型进行了验证,结果表明该模型的有效性,并与2秒和3秒安全跟车距离准则进行了对比,说明了行车速度和车间距对追尾事故的影响。三秒安全距离规则适用于所有限速,但两秒安全距离规则适用于45 km/hr以下的限速。根据模拟结果,如果汽车按照两秒规则行驶,则追尾事故会明显增加。
2020-06-12 cs.RO physics.soc-ph
Joint Attention in Driver-Pedestrian Interaction: from Theory to Practice
York University(约克大学)
如今,自动驾驶汽车面临的主要挑战之一是在城市环境中驾驶的能力。这样的任务需要自动驾驶车辆和其他道路使用者之间的通信,以便解决各种交通模糊性。道路使用者之间的互动是一种协商的形式,在这种协商中,参与各方必须分享他们的注意力关于一个共同的目标或一个目标(例如,过一个十字路口),并协调他们的行动,以实现it. In这篇文献综述中,我们的目的是解决行人和司机(或车辆)之间的互动问题,从联合注意的角度来看。更具体地说,我们将讨论联合注意背后的理论背景,它在交通交互中的应用以及实现自动驾驶汽车联合注意的实用方法。
2018-03-27 cs.CV cs.RO
Effects of Augmented-Reality-Based Assisting Interfaces on Drivers' Object-wise Situational Awareness in Highly Autonomous Vehicles
University of California, Los Angeles(加州大学洛杉矶分校);Honda Research Institute USA(美国本田研究所);Zoox(Zoox公司)
本文通过20人参与的驾驶模拟器实验,研究基于增强现实的高亮提示在不同交通密度、物体位置和类型下对部分自动驾驶车辆驾驶员逐物体态势感知的影响,为优化AR辅助界面设计提供依据。
2022-06-06 cs.AI 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
Personalized and Context-aware Route Planning for Edge-assisted Vehicles
Politecnico di Torino(都灵理工大学);TU Berlin(柏林工业大学)
本文提出一种基于GNN和DRL的个性化路径规划框架,通过分析驾驶员历史轨迹学习偏好,在真实路网中相比通用规划器提升17%满意度并大幅减少行驶时间。
2024-07-25 cs.AI cs.RO
A Framework for Estimating Long Term Driver Behavior
Massachusetts Institute of Technology(麻省理工学院);The Ohio State University(俄亥俄州立大学);Renaissance Computing Institute(文艺复兴计算研究所)
作者提出了一个关于自动驾驶汽车和车辆安全系统中驾驶员行为估计的网络物理系统研究。扩展以前的工作,所描述的方法是适合于长期的估计和跟踪的自主车辆的行为。所提出的系统利用先前定义的混合状态系统和隐马尔可夫模型(HSS+HMM)系统,该系统为驾驶员行为估计提供了良好的效果。HSS+HMM系统利用驾驶员和车辆等多个系统的决策-行为耦合的混合特性,使用可观测参数的卡尔曼滤波器估计来跟踪瞬时连续状态,并估计最可能的驾驶员状态。HSS+HMM系统包含在HSS结构中,并且通过使用信号处理和模式识别技术来确定系统间的连接性。所提出的方法是适合的情况下,涉及未知的其他个人的决定,如车道变化或交叉口优先/访问。长期驾驶员行为估计系统涉及扩展的HSS+HMM结构,其能够在估计过程中包括外部信息。通过嫁接和修剪元状态,HSS+HMM系统可以动态更新,以最好地表示给定外部信息的驱动程序选择。最后给出了三个应用实例来说明该理论体系。
2016-07-11 cs.AI cs.RO
Classification of Safety Driver Attention During Autonomous Vehicle Operation
Australian Centre for Robotics(澳大利亚机器人中心);University of Sydney(悉尼大学);Universidad Nacional del Sur(南方国立大学);CONICET(阿根廷国家科学与技术研究委员会)
本文提出一种结合红外摄像头与车辆感知系统数据的双源方法,用于监测自动驾驶车辆操作员的注意力水平,以提升安全性和效率。
2023-10-17 cs.CV cs.HC cs.RO
Behavioral Research and Practical Models of Drivers' Attention
York University(约克大学)
对许多人来说,开车是一项日常活动,但这远非简单。驾驶员同时处理多项任务,例如保持车辆在车道上,观察和预测其他道路使用者的行动,对危险做出反应,以及处理车内和车外的干扰。不注意周围的物体和事件并做出反应可能会导致事故。道路基础设施和车辆机械设计的不断改进使驾驶总体上更加安全。然而,驾驶员注意力不集中的问题仍然是事故的主要原因之一。因此,了解驾驶员看向哪里以及他们为什么这样做可以帮助消除分心的来源并识别不安全的注意力模式。对驾驶员注意力的研究对许多实际应用都有影响,例如政策制定,改善驾驶员教育,加强道路基础设施和车载信息娱乐系统,以及设计驾驶员监控,驾驶员辅助和自动驾驶系统。这份报告涵盖了由于驾驶员内部和外部因素而导致的驾驶员视觉注意力分布变化的文献。驾驶过程中的注意力方面已经在多个学科中进行了探索,包括心理学,人为因素,人机交互,智能交通和计算机视觉,每个学科都为观察到的现象提供了不同的视角,目标和解释。我们将驾驶员注意力的跨学科理论和行为研究与实际解决方案联系起来。最后,讨论了研究的局限性和未来研究的方向。该报告基于自2010年以来发表的175项行为研究,近100篇实用论文,20个数据集和70多项调查。用于本报告的精选论文列表可在\url{https://github.com/ykotseruba/attention_and_driving}上查阅。
2021-12-13 cs.CV cs.RO
Learning to Navigate Intersections with Unsupervised Driver Trait Inference
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
通过不受控制的交叉路口导航是自动驾驶汽车面临的主要挑战之一。识别其他驾驶员隐藏特征的细微差异可以在这种环境中导航时带来显着的好处。我们提出了一种无监督的方法来推断驾驶员的特点,如驾驶风格从观察到的车辆轨迹。我们使用一个变分自编码器与递归神经网络来学习一个潜在的表征的特点,没有任何地面真理的特点标签。然后,我们使用这种特征表示来学习自动驾驶车辆通过深度强化学习的T形交叉口的策略。我们的管道使自动驾驶汽车能够在处理不同特征的驾驶员时调整其行动,以确保安全和效率。我们的方法表现出良好的性能,并优于最先进的基线在T型交叉口的情况下。
2022-03-01 cs.AI cs.LG cs.RO
Towards Safe Autonomy in Hybrid Traffic: Detecting Unpredictable Abnormal Behaviors of Human Drivers via Information Sharing
University of Connecticut(康涅狄格大学);Northeastern University(东北大学)
针对混合交通中人类驾驶员突发危险驾驶模式问题,提出融合车车共享运行时信息的轨迹预测与带形式化保证的异常行为检测算法,在数据集和 SUMO 实验中取得高检测率、低延迟且零误报。
2023-08-23 cs.AI cs.RO
Autonomous Vehicles that Alert Humans to Take-Over Controls: Modeling with Real-World Data
UC San Diego(加州大学圣地亚哥分校);Toyota CSRC(丰田汽车碰撞安全研究中心)
随着乘用车自动化程度的提高,安全、平稳的人车交互和控制转换的研究成为关键。在这项研究中,我们专注于上下文的发展,语义上有意义的代表性的驾驶员状态,然后可以用来确定适当的时机和条件之间的控制转移驾驶员和车辆。为此,我们进行了一项大规模的真实世界控制数据研究,参与者被指示在不同的驾驶条件下从自主智能体接管控制权,同时从事各种分散注意力的活动。这些接管事件是使用多个面向驾驶员的摄像头捕获的,当标记时,会产生控制转换及其相应接管时间(TOT)的数据集。然后,我们开发和训练TOT模型,这些模型依次对由计算机视觉算法在不同的面向驾驶员的摄像头视图上操作产生的中高级特征进行操作。所提出的TOT模型产生连续的预测接管时间没有延迟,并在复杂的现实世界的情况下显示出有前途的定性和定量的结果。
2021-07-22 cs.CV cs.RO
How to Evaluate Human-likeness of Interaction-aware Driver Models
针对交互感知驾驶员模型的类人性评估,本文提出结合视频研究与人类经验调查的定性评价与设计方法,以促进自动驾驶车辆安全高效地融入人类驾驶环境。
2024-03-04 cs.RO cs.SY eess.SY
Infrastructure-based End-to-End Learning and Prevention of Driver Failure
Massachusetts Institute of Technology(麻省理工学院);California Institute of Technology(加州理工学院)
提出基于基础设施的 FailureNet 循环神经网络,通过端到端学习车辆接近交叉口的轨迹来识别控制故障、感知错误和超速行为,并在 MiniCity 硬件部署中达到 84% 以上准确率。
2023-03-21 cs.AI cs.LG cs.RO
Risk assessment and observation of driver with pedestrian using instantaneous heart rate and HRV
Mississippi State University(密西西比州立大学);Nihon University(日本大学)
本研究在驾驶模拟器中引入行人动态,通过时域和频域心率分析对驾驶员进行风险评估,发现频域HR分析能有效评估驾驶员遇行人时的风险。
2024-02-10 cs.HC cs.RO
Classification of Driver Behaviour Using External Observation Techniques for Autonomous Vehicles
Atlantic Technological University(大西洋理工大学)
本文提出了一种基于外部观测技术的自动驾驶车辆驾驶员行为分类系统,利用计算机视觉方法检测分心和受 impairment 的驾驶行为,并通过实验验证了其在不同环境下的可靠性。
2025-10-29 cs.AI cs.CV cs.ET
PFL-LSTR: A privacy-preserving framework for driver intention inference based on in-vehicle and out-vehicle information
Lyles School of Civil Engineering, Purdue University(普渡大学莱尔土木工程学院);University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
本文提出PFL-LSTR框架,结合个性化联邦学习与长短期Transformer,利用车内和车外视频预测驾驶员意图,在真实数据上实现高精度并保护隐私。
2023-09-02 cs.RO
Indirect Shared Control of Highly Automated Vehicles for Cooperative Driving between Driver and Automation
Department of Bioengineering, Imperial College London(帝国理工学院生物工程系)
本文提出一种线控转向车辆的间接共享控制方案,通过加权求和平衡控制目标并建模驾驶员自适应行为,结合滑动窗口检测器监控意图切换控制权,实现驾驶员与自动驾驶协同驾驶。
2017-04-04 cs.RO
Towards an Autonomous Test Driver: High-Performance Driver Modeling via Reinforcement Learning
Toyota Research Institute(丰田研究所)
本文提出通过深度强化学习训练达到顶尖人类水平的自主测试车手,用于评估车辆设置对圈速性能的影响,并结合模仿学习使其行为更拟人化,从而支持车手专属的设置优化。
2024-12-05 cs.RO
Automated Vehicle Driver Monitoring Dataset from Real-World Scenarios
Johannes Kepler University Linz(约翰内斯开普勒大学林茨分校)
本文提出了一个真实世界场景下的驾驶员活动数据集,用于训练和评估驾驶员活动识别模型,以支持3级自动驾驶中的安全监控。
2025-03-26 cs.RO
Using Graph-Theoretic Machine Learning to Predict Human Driver Behavior
University of Maryland(马里兰大学)
研究表明,自动驾驶汽车(AV)在由人类驾驶员组成的交通环境中表现保守,不适应当地条件和社会文化规范。众所周知,如果存在理解人类驾驶员行为的机制,则可以设计具有社会意识的AV。我们提出了一种利用机器学习来预测人类驾驶员行为的方法。这类似于人类通过只观察车辆的轨迹来隐含地解释驾驶员在道路上的行为。我们使用图论工具从轨迹中提取驾驶员行为特征,并使用机器学习来获得交通中车辆的提取轨迹与驾驶员行为之间的计算映射。与现有的方法相比,在这个领域中,我们证明了我们的方法是强大的,通用的,可扩展到广泛的应用,如自主导航。我们评估我们的方法对现实世界的交通数据集捕获在美国,印度、中国和新加坡,以及模拟。
2021-11-04 cs.RO
A Survey of Recent Developments in Collision Avoidance, Collision Warning and Inter-Vehicle Communication Systems
Istanbul Technical University(伊斯坦布尔理工大学)
本文介绍了船舶避碰和碰撞警告(CA、CW)系统的研究现状。交通事故是由于驾驶员的失误或驾驶员无法预料的情况造成的。CA、CW系统是为了减少交通事故和拯救人们的生命而开发的,它通过警告驾驶员或在驾驶员不能足够快地反应时采取补偿行动来减少交通事故。除了这些举措,本文还从经济角度解释了CA、CW驾驶辅助系统的重要性。在世界各地已完成和正在进行的项目的背景下调查技术发展。CA,CW系统算法的性能指标,如可靠性和严格性进行了讨论。本文还介绍了车辆间通信系统(IVC)的信息,这将是未来CA,CW系统的关键组成部分。
2020-12-23 cs.RO
Modeling Ice Friction for Vehicle Dynamics of a Bobsled with Application in Driver Evaluation and Driving Simulation
BMW AG(宝马公司);Graf Engineering(格拉夫工程公司);University of Salzburg(萨尔茨堡大学)
我们提供了一个冰摩擦模型的车辆动力学的两个人的雪橇,可用于驾驶员评价和驾驶员在环模拟器。纵向摩擦力的建模结合实验结果与有限元模拟产生的接触压力和摩擦力之间的相关性。为了模拟横向摩擦,我们使用特殊的传感器收集了44个雪橇运行的数据。非线性回归是用来拟合特定的鲍勃单轨车辆动力学模型的数据。将其应用于驾驶仿真中,为驾驶员评价提供了一种新的方法。对具有不同经验水平的鲍勃司机进行了调查。结果表明,不同的驾驶风格会导致顶级驾驶员的相似表现。
2021-11-22 cs.HC cs.RO
Summarizing Normative Driving Behavior From Large-Scale NDS Datasets for Vehicle System Development
Virginia Tech Transportation Institute(弗吉尼亚理工大学交通研究所)
提出处理大规模NDS数据的方法,基于SHRP 2量化五项驾驶行为指标并开发交互式分析工具,以支持车辆系统开发与跨群体比较。
2025-07-18 cs.RO
Uncertainty-Aware Online Merge Planning with Learned Driver Behavior
Stanford University(斯坦福大学)
安全可靠的自动驾驶解决方案是下一代智能交通系统的关键组成部分。这种系统中的自动驾驶车辆必须实时的推理复杂和动态的驾驶场景,并预测附近驾驶员的行为。人类驾驶行为是高度细致入微的,具体到个人的交通参与者。例如,驾驶员可能会在合并车辆的存在下表现出合作或不合作的行为。必须对这些行为进行评估,并将其纳入安全有效驾驶的规划过程中。在这项工作中,我们提出了一个框架,估计在高速公路上的司机的合作水平和计划合并演习与司机的潜在行为明确建模。潜在的参数估计问题,解决了使用粒子滤波器近似的概率分布的合作水平。一个部分可观测马尔可夫决策过程(POMDP),其中包括潜在的状态估计在线求解,以提取合并车辆的政策。我们评估我们的方法在高保真汽车模拟器对方法是不可知的潜在状态或依赖于$\textit{a priori}$假设演员的行为。
2022-07-11 cs.RO
TriDrive: Joint Driver, Vehicle, and Road Modeling for Forecasting and Driver Monitoring
TriDrive是首个联合预测驾驶员、车辆和道路的统一框架,通过自动化条件转移模型和有向残差连接提升预测性能,并在实时车载评估中优于基线。
2026-09-29 cs.CV cs.RO
Implicit Cooperation: Emotion Detection for Validation and Adaptation of Automated Vehicles' Driving Behavior
University of Applied Science Ruhr West(鲁尔西部应用科学大学);University of Duisburg-Essen(杜伊斯堡-埃森大学)
自动驾驶汽车中的人类情感检测有助于提高舒适性和安全性。汽车领域的研究主要集中在感知驾驶员的困倦和攻击性上。我们提出了一种新形式的隐式驾驶员-车辆合作,其中情感检测集成到自动驾驶汽车的决策过程。不断评估驾驶员对车辆行为的反应,使我们能够修改决策,并有助于提高未来自动驾驶车辆的安全性。
2020-03-29 cs.HC cs.RO
Data-driven Driver Model for Speed Advisory Systems in Partially Automated Vehicles
The Ohio State University(俄亥俄州立大学)
利用连接性和自动化的车辆控制算法,如互联和自动化车辆(CAV)或高级驾驶员辅助系统(ADAS),有机会提高节能效果。然而,较低水平的自动化涉及人机交互阶段,其中人类驾驶员的存在会影响闭环中控制算法的性能。这发生在例如作为速度咨询系统实施的生态驾驶控制算法的情况下,其中驾驶员被显示为要遵循的最佳速度轨迹以减少能量消耗。实现控制目标依赖于人类驾驶员完美地遵循推荐的速度。如果驾驶员无法遵循建议的速度,则可能会出现节能下降和车辆性能下降。这保证了创建方法来建模和预测人类驾驶员在使用速度咨询系统的环路中操作时的响应。这项工作的重点是开发一个基于序列到序列长短期记忆(LSTM)的驾驶员行为模型,该模型模拟了人类驾驶员在现实世界条件下与建议的期望车速轨迹的交互。驾驶模拟器用于数据汇集和训练驾驶员模型,然后将驾驶员模型与驾驶数据和确定性模型进行比较。结果表明,基于LSTM的模型与驾驶数据非常接近,表明该模型可以作为设计以人为本的速度咨询系统的工具。
2022-05-17 cs.RO cs.SY eess.SY
Understanding cyclists' perception of driverless vehicles through eye-tracking and interviews
Delft University of Technology(代尔夫特理工大学)
本研究通过Wizard-of-Oz实验结合眼动追踪和访谈,发现骑行人能自发或受指示后以93%准确率检测自动驾驶车辆中驾驶员的缺失,且检测行为影响其安全感知。
2024-12-06 cs.HC cs.RO
Driver-Net: Multi-Camera Fusion for Assessing Driver Take-Over Readiness in Automated Vehicles
Institute for Transport Studies, Computer Vision and Machine Learning Group, University of Leeds(交通研究 institute,计算机视觉和机器学习组,莱斯特大学)
Driver-Net通过三摄像头融合头部、手部和身体姿态的时空特征,在利兹大学模拟器数据集上以95.8%的准确率评估驾驶员接管准备度,提升了自动驾驶交接安全性。
2025-09-08 cs.AI cs.CV cs.ET
Personalized Highway Pilot Assist Considering Leading Vehicle's Lateral Behaviours
Institute of Power Machinery and Vehicular Engineering, Faculty of Engineering, Zhejiang University(浙江大学工学部动力机械及车辆工程研究所)
高速公路驾驶员辅助系统已成为先进驾驶员辅助系统竞争的前沿。对安全性和用户接受度的日益增长的要求要求在这种系统的开发过程中进行个性化。受驾驶员横向跟驰偏好研究的启发,提出了一种基于智能驾驶员模型(IDM)的速度控制模型和考虑前车横向运动的车道保持模型的高速公路个性化辅助驾驶算法。通过模拟驾驶实验,分析了自由驾驶和跟驰驾驶情况下驾驶员的视线和车道保持行为。根据驾驶员受前车影响的驾驶行为,将驾驶员聚类为两个驾驶风格组,并对每个驾驶员的个性化参数进行优化。基于动基座仿真器的驾驶员在环仿真实验验证了该算法的有效性。实验结果表明,与非个性化算法相比,个性化高速公路导航算法能够显著降低驾驶员的心理负荷,提高驾驶员对辅助功能的接受度。
2021-12-11 cs.RO cs.SY eess.SY
Learning Driver Models for Automated Vehicles via Knowledge Sharing and Personalization
University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
本文提出一种基于联邦学习的自动驾驶车辆驾驶员模型训练框架,通过车辆间知识共享与个性化,解决驾驶场景暴露不足问题,提升模型安全性与效率。
2023-08-31 cs.AI cs.RO cs.SY
A Novel Model for Driver Lane Change Prediction in Cooperative Adaptive Cruise Control Systems
University of Windsor(温莎大学);University of Leeds(利兹大学)
该研究针对协同自适应巡航控制系统的驾驶员换道预测问题,对比不同信息类型与周边车辆数量的影响,基于HighD数据集训练LSTM模型,实现了ACC和CACC场景下59.15%与92.43%的换道预测准确率。
2023-05-01 cs.AI cs.LG cs.RO
Global stability of vehicle-with-driver dynamics via Sum-of-Squares programming
Università di Pisa, Dipartimento di Ingegneria Civile e Industriale(帕尔米斯大学,土木工程与工业系)
本文通过求和平方编程方法,实现了车辆-驾驶员系统安全区域的估计,验证了其在实时安全评估中的应用潜力。
2025-12-05 cs.RO cs.SY eess.SY
Developing Robot Driver Etiquette Based on Naturalistic Human Driving Behavior
本文研究机器人驾驶礼仪问题,通过分析自然驾驶数据库提取人类驾驶行为关键参数,为未来高自动化车辆算法设计和仿真中的人类驾驶行为建模提供指导。
2018-08-01 cs.RO cs.SY eess.SY
Effective and Acceptable Eco-Driving Guidance for Human-Driving Vehicles: A Review
Southeast University(东南大学);University of Toronto(多伦多大学)
生态驾驶指南包括为人类驾驶员提供的课程或建议,以改善驾驶行为,减少能源使用和排放。本文对现有的生态驾驶指导研究进行了系统的回顾,并确定了未来需要解决的挑战。目前还没有就指导设计达成标准协议,这导致在为人类驾驶员设计和实施生态驾驶指导方面存在困难。静态和动态制导系统都有各种各样的制导结果。此外,建议内容、显示方式、驾驶员社会人口学特征等影响因素对诱导结果的影响在各研究中均表现为相反的效果,但其原因尚不清楚。司机实践生态行为的动机,特别是长期的,被忽视了。此外,用户接受度和系统有效性之间的关系仍然不清楚。基于驾驶员习惯的自适应驾驶建议可以提高驾驶员的有效性,而这一领域正在研究中。
2022-03-28 cs.RO math.OC
Low-Cost Infrared Vision Systems for Improved Safety of Emergency Vehicle Operations Under Low-Visibility Conditions
University of California - Davis(加利福尼亚大学戴维斯分校);California Department of Transportation(加利福尼亚州交通局)
本研究探讨了红外相机技术提升低能见度下紧急车辆驾驶员安全的潜力,通过实验室与实地测试及操作员调查,验证了其探测性能与改装DoT车队的可行性,为规模化部署提供了数据驱动的建议。
2025-06-29 cs.CV cs.RO
Modeling Drivers' Risk Perception via Attention to Improve Driving Assistance
Carnegie Mellon University(卡内基梅隆大学);Toyota Research Institute(丰田研究所)
针对 FCW 警报冗余问题,本文基于真实部署视频和驾驶员注视标注,利用反事实轨迹预测建模驾驶员风险感知,从而降低误报并改善预警时机。
2024-09-07 cs.HC cs.RO
Looking and Listening Inside and Outside: Multimodal Artificial Intelligence Systems for Driver Safety Assessment and Intelligent Vehicle Decision-Making
Machine Intelligence, Interaction, and Imagination (Mi3) Laboratory(机器智能、交互与想象实验室);Laboratory for Intelligent and Safe Automobiles (LISA)(智能与安全汽车实验室);Johns Hopkins University(约翰霍普金斯大学);Center for Medicinal Cannabis Research (CMCR)(医药大麻研究中心)
本文提出L-LIO框架,通过融合音频与视觉数据提升驾驶员状态评估和环境理解,探讨音频在车辆安全中的作用,包括驾驶员语音分类、乘客指令分析及视觉不足时的音频辅助。
2026-05-11 cs.AI cs.CV cs.LG
TransDARC: Transformer-based Driver Activity Recognition with Latent Space Feature Calibration
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
传统的基于视频的人类活动识别已经经历了与深度学习的兴起相关的显着进步,但在驾驶员行为理解的下游任务中,这种效果较慢。了解车舱内的情况对于高级驾驶辅助系统(ADAS)至关重要,因为它可以识别分心,预测驾驶员的意图,并导致更方便的人车交互。与此同时,驾驶员观察系统面临着巨大的障碍,因为它们需要捕获驾驶员状态的不同粒度,而这种辅助活动的复杂性随着自动化程度的提高和驾驶员自由度的增加而增加。此外,模型很少在与训练集中的条件相同的条件下部署,因为传感器的放置和类型因车辆而异,这对数据驱动模型的实际部署构成了重大障碍。在这项工作中,我们提出了一种新的基于视觉的框架,用于识别基于视觉Transformers和一个额外的增强特征分布校准模块的二次驾驶行为。该模块在潜在特征空间中操作,在特征级丰富和多样化训练集,以便改进对新数据外观的泛化(例如,传感器变化)和一般特征质量。我们的框架始终导致更好的识别率,在所有粒度级别上都超过了公共Drive&Act基准测试的最新结果。我们的代码可在https://github.com/KPeng9510/TransDARC上公开获取。
2022-07-28 cs.CV cs.RO eess.IV