Optimization-based Safe Trajectory Planning for Autonomous Ground Vehicle in Multi-Floor Scenarios
Beijing Institute of Technology（北京理工大学）；Tsinghua University（清华大学）
提出一种针对多楼层场景的轨迹规划框架，包括基于广义Voronoi图和多目标算法的任务规划模块，以及采用优化方法和热启动分层规划生成高质量轨迹的轨迹规划模块，并通过仿真验证可行性。
2026-06-24 cs.RO
A Framework for Collision-Tolerant Optimal Trajectory Planning of Autonomous Vehicles
碰撞容限轨迹规划是考虑碰撞，如果规划得当，可以为能够处理碰撞的机器人提供更有效的路径规划。一个混合整数规划（MIP）的优化配方演示了计算的实用性，包括计划的碰撞优化轨迹。提出了一种毁伤量化函数，并通过仿真研究了毁伤函数约束对弹道的影响。使用一个简单的例子，在此模式下实现的性能增加相比，无碰撞的最佳轨迹。
2016-11-23 cs.RO
Results of the 2023 CommonRoad Motion Planning Competition for Autonomous Vehicles
Université Paris Cité（巴黎大学）；Technische Universität München（慕尼黑工业大学）
基于CommonRoad基准套件举办自动驾驶运动规划竞赛，评估各方法在效率、安全、舒适及交通规则遵守方面的表现，并总结主要结果。
2024-11-10 cs.RO
A Look at Motion Planning for Autonomous Vehicles at an Intersection
SRM Institute of Science and Technology（SRM科学技术研究所）
自动驾驶汽车目前正在各种场景中进行测试。当我们走向自动驾驶汽车时，十字路口应该是什么样子？为了回答这个问题，我们将交叉口管理分解为轨迹规划中涉及的不同难题和场景以及解决这些难题的当前方法。然后，简要分析了目前自主交叉口的研究现状。以批判的眼光，我们试图深入研究现有解决方案的差异，同时提出一些已经解决的关键和重要因素。此外，还强调了必须解决的未决问题。我们还试图回答的问题，如何基准交叉口管理算法，提供一些因素，影响自主导航在交叉口。
2018-09-07 cs.RO
Real-Time Joint Simulation of LiDAR Perception and Motion Planning for Automated Driving
Worcester Polytechnic Institute（伍斯特理工学院）
提出一个基于LiDAR感知与运动规划的联合仿真框架，在CARLA中实现25Hz实时运行，通过新碰撞边界和线段相交检测算法，实现高精度感知与安全距离保持。
2023-08-30 cs.RO
Slope Considered Online Nonlinear Trajectory Planning with Differential Energy Model for Autonomous Driving
University of Delaware（特拉华大学）
针对自动驾驶模型无关方法难以实现节能轨迹规划的问题，提出集成可微分能量模型的在线非线性规划轨迹优化框架，结合交通与坡度预测提升燃油效率，带来显著经济效益，填补相关研究空白。
2024-12-12 cs.RO
A Human-Centric Method for Generating Causal Explanations in Natural Language for Autonomous Vehicle Motion Planning
University of Edinburgh（爱丁堡大学）；Five AI Ltd.（Five AI有限公司）
难以理解的人工智能系统很难信任，特别是如果它们在自动驾驶等安全关键环境中运行。因此，有必要建立透明和可查询的系统，以提高信任水平。我们提出了一个透明的，以人为中心的解释生成方法，自主车辆运动规划和预测的基础上，现有的白盒系统称为IGP 2。我们的方法将贝叶斯网络与上下文无关的生成规则相结合，可以为自动驾驶汽车的高级驾驶行为提供因果自然语言解释。对模拟场景的初步测试表明，我们的方法捕捉到了自动驾驶汽车行为背后的原因，并生成了复杂程度不同的解释。
2022-06-27 cs.RO
Motion Planning for Autonomous Vehicles: When Model Predictive Control Meets Ensemble Kalman Smoothing
Department of Mechanical Engineering, University of Kansas（机械工程系，堪萨斯大学）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
本文将基于神经网络车辆模型的NMPC运动规划重构为贝叶斯估计问题，并用序贯集合卡尔曼平滑器求解，显著降低计算成本。
2025-05-10 cs.RO
Spatiotemporal motion planning with combinatorial reasoning for autonomous driving
fortiss GmbH（福蒂斯有限公司）；Technische Universität München（慕尼黑工业大学）
城市环境中的运动规划可以看作是一个组合问题。通过前面、后面、右边或左边的障碍物，自动驾驶汽车可以选择执行多个选项。在规划框架中需要考虑到这些组合方面。我们解决这个问题，提出了一种新的规划方法，结合轨迹规划和机动推理。我们定义了一个分类的动态障碍物沿参考曲线，使我们能够提取战术决策序列。我们将纵向和横向运动分开，以加快基于优化的轨迹规划。为了将获得的轨迹集映射到机动变体，我们定义了一种语义语言来描述它们。这使我们能够选择最佳轨迹，同时也确保机动一致性。我们展示了我们的方法的能力，仍然被广泛认为是具有挑战性的情况。
2022-07-10 cs.RO
Planning by Simulation: Motion Planning with Learning-based Parallel Scenario Prediction for Autonomous Driving
Faculty of Electrical Engineering, Mathematics and Computer Science, University of Twente（代尔夫特理工大学电子工程、数学与计算机科学学院）；Department of Electrical Engineering, Wright State University（威斯汀大学电气工程系）
本文提出一种基于学习的并行场景预测方法，用于自动驾驶中的运动规划，通过模拟可能场景并计算成本，平衡和剪枝不合理动作，提升安全性和规划效率。
2024-11-15 cs.RO
A Deep Reinforcement Learning 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）
这项工作是我们对自动驾驶汽车在高速公路上移动的路径规划问题的初步调查。我们通过提出一种基于强化学习的驱动策略来解决这个问题。所提出的政策，使最小的或没有假设的环境，因为没有先验知识的系统动态是必需的。我们比较了所提出的政策的性能对最优的政策，通过动态规划和对SUMO交通模拟器模拟人工驾驶。
2019-05-22 cs.RO
DL-IAPS and PJSO: A Path/Speed Decoupled Trajectory Optimization and its Application in Autonomous Driving
Baidu USA LLC（百度美国有限责任公司）
提出了一种自动驾驶车辆自由空间轨迹优化算法，将无碰撞轨迹规划问题分解为双回路迭代逼近路径平滑（DL-IAPS）和分段加速度优化（PJSO）问题。该方法显著提高了车辆的驾驶性能，包括更精确的避碰、更高的控制可行性和更好的驾驶舒适性，而这些是现有路径/速度解耦轨迹优化方法难以实现的。我们的算法的效率，鲁棒性和复杂的驾驶场景的适应性已被验证的模拟和真实的道路测试。
2020-09-23 cs.RO
Decision-Making-Based Path Planning for Autonomous UAVs: A Survey
Department of Cybernetics, Faculty of Electrical Engineering, Czech Technical University in Prague（控制系，电气工程系，布拉格捷克技术大学）；Department of Computer, Federal University of São Carlos（计算机系，萨o卡洛斯联邦大学）
本综述探讨了自主无人机基于决策的路径规划技术，概述了探索性与信息性路径规划的研究方向及数据建模特征，并指出了该领域面临的现有挑战。
2025-08-12 cs.RO
Safe planning and control under uncertainty for self-driving
Manipal Institute of Technology（马尼帕尔理工学院）；Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
不确定条件下的运动规划对于安全自动驾驶至关重要。在本文中，我们提出了一个统一的避障框架，处理1）自我车辆运动的不确定性;和2）来自环境的动态障碍物的预测不确定性。在规划层中使用包括短期和长期预测的两阶段交通参与者轨迹预测器来为自我车辆生成安全但不过于保守的轨迹。预测模块与现有的规划方法配合良好。我们的工作展示了它的有效性在一个弗伦内框架规划。使用管MPC的鲁棒控制器保证了在存在状态噪声和动态模型不确定性的情况下轨迹的安全执行。高斯过程回归模型用于在线识别的不确定性的界限。我们证明了我们的框架在CARLA模拟器的有效性，安全性和实时性能。
2020-10-21 cs.RO
Model predictive approach to integrated path planning and tracking for autonomous vehicles
National Institute of Informatics（国立信息学研究所）；Hunan University（湖南大学）
在自主应用的路径规划问题中，现有的研究都是将自主车辆的路径规划和轨迹跟踪控制分开考虑，很少将轨迹规划和轨迹控制结合起来。为了填补这一研究空白，本研究提出了一种集成的轨迹规划和轨迹控制方法。本文还研究了考虑静态和动态障碍物的自主避碰问题。仿真结果表明了所提出的控制方法的有效性。
2019-05-09 cs.RO math.DS
An enhanced motion planning approach by integrating driving heterogeneity and long-term trajectory prediction for automated driving systems
School of Transportation and Logistics, Southwest Jiaotong University（西南交通大学交通运输与物流学院）；University of Central Florida（中佛罗里达大学）；Lyles School of Civil Engineering, Purdue University（普渡大学莱尔土木工程学院）
针对复杂环境中自动驾驶系统导航困难的问题，提出一种融合周围人类驾驶车辆驾驶行为与长期轨迹预测的分层模型运动规划方法，以提升高速公路汇入场景下的驾驶安全性。
2023-08-02 cs.AI cs.RO
Planning in the Backbone: DiffAdapterVLA for Native Continuous Trajectory Generation with Driving VLMs
Wuhan University（武汉大学）；Dongfeng Research & Development Institute（东风汽车研发总院）
DiffAdapterVLA通过将轨迹令牌注入VLM骨干后期层，实现与驾驶条件共同演化的连续轨迹规划，仅用轻量模块即达高效闭环规划。
2026-09-23 cs.AI cs.RO
Search-Based Autonomous Vehicle Motion Planning Using Game Theory
Mechanical and Mechatronics Eng. Department, University of Waterloo（滑铁卢大学机械与机电工程系）
本文提出一种基于博弈论的搜索式自动驾驶车辆运动规划方法，将其他道路使用者视为智能体而非静态障碍物，以生成更真实的路径，并通过 WATonoBus 实验验证其性能与实时性。
2025-07-20 cs.GT cs.RO
DL-AMP and DBTO: An Automatic Merge Planning and Trajectory Optimization and Its Application in Autonomous Driving
Shanghai Automotive Industry Corporation, Ltd.（上海汽车工业股份有限公司）
提出了一种自动合并算法，该算法将自动驾驶车辆的运动规划问题分解为双层自动合并规划（DL_AMP）和基于下降的轨迹优化（DBTO）。这项工作在寻找最佳合并机会，横向和纵向合并规划和控制，轨迹后处理和驾驶舒适性方面有很大的改进。
2021-07-30 cs.RO cs.SY eess.SY
Accelerating Path Planning for Autonomous Driving with Hardware-Assisted Memoization
Cornell University（康奈尔大学）
具有动态障碍物的自动驾驶路径规划是一个挑战，因为它需要执行更高维的搜索（具有时间维度），同时仍然满足实时约束。提出了一种算法-硬件协同优化的方法来加速高维搜索空间的路径规划。首先，我们通过将节点和障碍物映射到低维空间并记住最近的搜索结果来减少最近邻居搜索和碰撞检测的时间。然后，我们提出了一个有效的memoization的硬件扩展。在现代处理器和周期级仿真器上的实验结果表明，硬件辅助记忆显著减少了路径规划的执行时间。
2022-05-27 cs.AR cs.RO
Safe and Personalizable Logical Guidance for Trajectory Planning of Autonomous Driving
University of Science and Technology of China（中国科学技术大学）
本文提出逻辑引导层（LGL），通过场景推理与RSS模型，在高速公路自动驾驶中平衡安全、效率与用户偏好，实现形式化安全保证。
2024-05-22 cs.LO cs.RO
Hi-Drive: Hierarchical POMDP Planning for Safe Autonomous Driving in Diverse Urban Environments
Shanghai Jiao Tong University（上海交通大学）；Shanghai Innovation Institute（上海创新研究院）；SenseTime（商汤科技）
针对城市道路动态不确定性，提出层级式POMDP规划算法Hi-Drive，利用驾驶员模型推断驾驶风格并集成重要性采样轨迹优化，在真实基准上显著超越现有方法。
2025-10-15 cs.AI cs.RO
Safe Trajectory Planning Using Reinforcement Learning for Self Driving
Texas A&M University（德州农工大学）；Carnegie Mellon University（卡内基梅隆大学）
自动驾驶汽车必须能够在各种复杂的环境中智能地行动，这些环境以高维状态空间、无数优化目标和复杂行为为标志。传统上，经典的优化和搜索技术已被应用于自动驾驶的问题，但它们并没有完全解决在高维状态和复杂行为的环境中的操作。最近，针对自动驾驶的任务提出了模仿学习;但是获得足够的训练数据是劳动密集型的。强化学习已被提出作为直接控制汽车的一种方式，但这存在安全性和舒适性问题。我们建议在自动驾驶的轨迹规划阶段使用无模型强化学习，并表明这种方法使我们能够以更安全，更通用和更舒适的方式操作汽车，这是自动驾驶任务所需的。
2020-11-09 cs.AI cs.RO
Navigational Path-Planning For All-Terrain Autonomous Agricultural Robot
劳动力的短缺和维护成本的增加迫使许多农业企业家转向自动化和机械化方法。自主系统的关键组成部分是所使用的路径规划技术。覆盖路径规划（CPP）算法用于在农田上导航，以执行各种农业操作，如播种、犁耕或喷洒农药和肥料。本文报告比较了新的算法，自主导航的农田。为了减少导航的限制，考虑到特定的印度环境的高分辨率网格地图表示。通过将网格单元区分为覆盖的、未探索的、部分探索的和存在障碍物来覆盖自由空间。比较算法的性能进行评估，如时间效率，空间效率，准确性和鲁棒性的变化，在环境中的指标。采用机器人操作系统（ROS）、达索系统体验平台（3DS Experience）、MATLAB和Python对算法进行了仿真。实验结果证明了该算法在自主野外导航中的适用性和在机器人路径规划中的可行性。
2021-09-07 cs.CV cs.RO
LEADER: Learning Attention over Driving Behaviors for Planning under Uncertainty
Oregon State University（俄勒冈州立大学）；Shanghai Jiao Tong University（上海交通大学）；National University of Singapore（新加坡国立大学）
人类行为的不确定性对拥挤的城市环境中的自动驾驶提出了重大挑战。部分可观测马尔可夫决策过程（POMDPs）为不确定性下的规划提供了一个原则性框架，通常利用蒙特卡洛采样来实现复杂任务的在线性能。然而，采样也会因可能遗漏关键事件而引起安全问题。为了解决这个问题，我们提出了一种新的算法，学习注意力驾驶bEADER（LEADER），学会参加关键的人类行为在规划。LEADER学习一个神经网络生成器，以在实时情况下对人类行为提供关注。它将注意力整合到一个信念空间规划器中，使用重要性采样来使推理偏向关键事件。为了训练算法，我们让注意力生成器和规划器形成一个最小-最大博弈。通过解决最小-最大博弈，LEADER学会了在没有人类标签的情况下执行风险感知规划。
2022-10-29 cs.LG cs.RO
A Data-Driven Approach for Autonomous Motion Planning and Control in Off-Road Driving Scenarios
本文提出了一种新的数据驱动的方法，车辆运动规划和控制在越野驾驶场景。对于自动越野驾驶，环境条件会影响地形的可通行性，这是天气、表面成分和坡度的函数。处理地理信息系统和国家环境信息中心数据集，为交互式规划和控制系统要素提供这一信息。顶层全局路线规划器（GRP）使用动态规划（DP）来定义最优航路点。本地路径规划器（LPP）计算航路点之间的期望轨迹，从而避免不可行的控制状态和与障碍物的碰撞。LPP还利用实时感测和控制数据更新GRP。一个低层次的反馈控制器应用反馈线性化渐近跟踪指定的LPP轨迹。自动驾驶模拟结果的地形穿越俄勒冈州和印第安纳州的案例研究。
2018-05-25 cs.AI cs.RO
Real Time Motion Planning Using Constrained Iterative Linear Quadratic Regulator for On-Road Self-Driving
Tencent Technology (Beijing) Company Limited（腾讯科技（北京）有限公司）
避免碰撞是人们在开发自动驾驶技术时需要考虑的最具挑战性的任务之一。在本文中，我们提出了一种新的时空运动规划算法，有效地解决了约束非线性最优控制问题，使用迭代线性二次型调节器（iLQR），该方法考虑了交通车辆的不确定驾驶行为，并将自动驾驶车辆之间的碰撞风险降至最低，（称为“自我”车辆）和交通车辆之间的距离，使得自我车辆能够与所有周围车辆保持足够大的距离，以实现交通中期望的防撞操纵。为此，我们引入了“碰撞多边形”的概念，用于计算自我车辆和交通车辆之间的最小距离，并提供了两种不同的解决方案，设计的运动规划问题的约束条件，通过适当建模的交通车辆的行为，以评估碰撞风险。最后，利用仿真器和3级自动驾驶测试平台，对iLQR运动规划算法在多个实时避碰任务中进行了验证。
2022-02-17 cs.RO math.OC
LLaViDA: A Large Language Vision Driving Assistant for Explicit Reasoning and Enhanced Trajectory Planning
Duke University（杜克大学）；Georgia State University（佐治亚州立大学）；University of Florida（佛罗里达大学）
LLaViDA通过视觉-语言模型实现显式推理和轨迹规划，提升自动驾驶的轨迹规划性能。
2025-12-20 cs.AI cs.RO
Neural Motion Planning for Autonomous Parking
Hanyang University（汉阳大学）
本文提出了一种混合运动规划策略，该策略将深度生成网络与传统的运动规划方法相结合。现有的规划方法，如A* 和混合A* 被广泛用于路径规划任务，因为他们的能力，以确定可行的路径，即使在复杂的环境中，但是，他们有效率方面的限制。为了克服这些局限性，引入了一种基于神经网络的路径规划算法，即神经混合A*。本文提出了使用条件变分自编码器（CVAE）引导搜索算法，利用CVAE的能力，学习有关的规划空间的停车环境的信息。一个非均匀的扩展策略是利用的基础上的可行的轨迹分布在演示中学习。所提出的方法有效地学习了一个给定的状态的表示，并在算法性能方面的改进。
2021-11-16 cs.LG cs.RO
Motion Planning Of an Autonomous Mobile Robot Using Artificial Neural Network
Mody Institute of Technology and Science（莫迪理工学院）；PEC University of Technology（旁遮普工程学院大学）
本文介绍了电子设计和运动规划的机器人决策的基础上，关于它的直线运动和精确转弯的人工神经网络（ANN）。人工神经网络有助于机器人的学习，使其自主执行运动。计算的权重在微控制器中实现。性能经测试是优秀的。
2012-07-20 cs.AI cs.LG cs.NE
Deep Reinforcement Learning in Autonomous Car Path Planning and Control: A Survey
China North Artificial Intelligence and Innovation Research Institute（中国北方人工智能与创新研究院）；Tsinghua University（清华大学）
本文系统综述了深度强化学习在自动驾驶路径规划与控制中的应用，梳理相关算法及其在轨迹规划和动态控制中的作用，并总结应用成果与潜在挑战，为相关研究者提供参考。
2024-03-30 cs.RO cs.SY eess.SY
Optimization-Based Motion Planning for Autonomous Agricultural Vehicles Turning in Constrained Headlands
University of California, Davis（加利福尼亚大学戴维斯分校）
针对自主农业车辆在狭窄不规则地头转弯困难的问题，提出一种基于优化的运动规划算法，在田间几何与障碍物约束下生成平滑无碰撞的转弯轨迹。
2024-06-11 cs.RO cs.SY eess.SY
EMATO: Energy-Model-Aware Trajectory Optimization for Autonomous Driving
University of Delaware（特拉华大学）；CAR Lab（CAR实验室）
针对自动驾驶轨迹规划不感知能量模型、缺乏能效证明的问题，提出EMATO在线非线性规划方法，结合交通轨迹与坡度预测优化Frenet多项式轨迹，经多类实验在轿车和卡车模型上验证了能效提升效果。
2024-12-12 cs.RO cs.SY eess.SY
Search-Based Motion Planning for Performance Autonomous Driving
Virtual Vehicle Research Center（虚拟车辆研究中心）；University of Pavia（帕维亚大学）；Graz University of Technology（格拉茨工业大学）
本文提出一种基于搜索的运动规划方法，在考虑非线性车辆动力学和状态输入约束下生成参考轨迹，以实现湿滑路面上的最短单圈时间。
2019-07-18 cs.RO cs.SY eess.SY
An Integrated Framework of Decision Making and Motion Planning for Autonomous Vehicles Considering Social Behaviors
School of Mechanical and Aerospace Engineering, Nanyang Technological University（南洋理工大学机械与宇航工程学院）
提出了一种新的综合方法，以处理的决策和运动规划的自动驾驶汽车（AV）的车道变换操纵考虑周围交通乘员的社会行为。通过驾驶风格和周围车辆的意图来反映，在建模过程中考虑了社会行为。然后，应用Stackelberg博弈理论解决决策问题，将其转化为一个非合作博弈问题。此外，在运动规划模型中引入势场，利用不同的势函数来描述周围车辆的不同行为和道路约束。然后，利用模型预测控制（MPC）来预测自主车辆的状态和轨迹。最后，决策和运动规划，然后集成到一个有约束的多目标优化问题。考虑到周围车辆的不同社会行为的三个测试场景进行了验证所提出的方法的性能。测试结果表明，该集成方法能够解决与其他交通参与者的不同社会互动，为自动驾驶汽车做出正确、安全的决策和规划，证明了其可行性和有效性。
2020-05-22 cs.RO cs.SY eess.SY
Autonomous Underwater Vehicle-Manipulator Systems Path Planning with RRTAUVMS Algorithm
Zhejiang University（浙江大学）；Shenzhen Sensetime Technology CO.,LTD（深圳商汤科技有限公司）；Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）
自主水下机器人系统（AUVMS）是一种新型的海洋探测工具，本文研究了AUVMS路径规划问题。水下机器人系统是一个惯性分布差异大的高维系统，且工作环境复杂，存在障碍物。通过将快速探索随机树（RRT）算法与AUVMS运动学模型相结合，RRTAUVMS算法可以在配置空间（C-Space）中随机采样，并在任务空间中直接向工作空间目标生长。RRTAUVMS还可以处理工作空间规划目标和配置空间目标的冗余映射。与传统RRT算法相比，该算法可以显著提高AUVMS路径规划的效率。
2021-09-11 cs.RO cs.SY eess.SY
A Reinforcement Learning Approach to Jointly Adapt Vehicular Communications and Planning for Optimized Driving
IIIT-Delhi（印度德里印度理工学院）
本文提出一种强化学习方法，用于联合优化自动驾驶车辆的通信与运动规划，通过模拟验证了该方法在提升驾驶效益方面的有效性。
2018-07-10 cs.NI cs.RO cs.SY
Decoupled Sampling Based Planning Method for Multiple Autonomous Vehicles
Linköping University（林雪平大学）
本文提出了一种基于采样的规划算法来控制自动驾驶车辆。提出了一种改进的快速搜索随机树，其中包括K-最近点的定义，并提出了一个两阶段的采样策略来调整RRT在其他执行机动，同时避免碰撞。仿真结果表明了该算法的成功性。
2017-02-11 cs.RO
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
Estimation and Navigation Methods with Limited Information for Autonomous Urban Driving
Cornell University（康奈尔大学）
城市环境为自动驾驶提供了一个具有挑战性的场景。由于信号阴影和多路径误差，全球定位信息（例如GPS信号）可能不可靠。具有用于自主导航的足够信息的环境的详细先验地图通常需要多次驾驶该区域以收集大量数据，对该数据进行大量的后处理以获得地图，然后随着环境的变化而在地图上保持更新。本论文通过研究算法和架构来解决城市环境中的自动驾驶问题，从而在有限的信息下实现全功能的自动驾驶。
2021-08-11 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
Interpretable Goal-based Prediction and Planning for Autonomous Driving
Five AI Ltd.（Five AI有限公司）；School of Informatics, University of Edinburgh（爱丁堡大学信息学院）；University of Oxford（牛津大学）
我们提出了一个集成的预测和规划系统的自动驾驶，使用合理的逆向规划，以识别其他车辆的目标。目标识别通知蒙特卡罗树搜索（MCTS）算法来规划自我车辆的最佳机动。逆向规划和MCTS利用一组共享的定义机动和宏观行动来构建可通过合理性原则解释的计划。在城市驾驶场景模拟中的评估表明，该系统能够稳健地识别其他车辆的目标，使我们的车辆能够利用重要的机会来显着减少驾驶时间。在每种情况下，我们提取直观的解释，证明系统的决定的预测。
2021-03-15 cs.RO
Enhanced Decentralized Autonomous Aerial Robot Teams with Group Planning
Academy for Engineering and Technology, Fudan University（复旦大学工程与技术研究院）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）；Zhejiang University（浙江大学）
设计自主式空中机器人团队系统仍然是机器人领域的一个重大挑战。这一领域的现有工作可分为集中式和分散式。集中式方法面临规模困境，而分散式方法往往导致规划质量低下。在本文中，我们提出了一个增强的分散式自主空中机器人团队系统的群体规划。根据Agent的空间分布，系统动态地将团队划分为若干组和孤立的Agent。对于每个组内的冲突，我们提出了一种新的协调机制命名为组规划。群规划由高效的多智能体寻路（MAPF）和轨迹联合优化组成，可以显著提高规划质量和成功率。我们通过模拟和真实世界的实验表明，我们的方法不仅适用于大规模的团队，但也有顶级的规划质量
2022-10-19 cs.RO
Autonomous Exploration Development Environment and the Planning Algorithms
Carnegie Mellon University（卡内基梅隆大学）
Autonomous Exploration Development Environment是一个开源存储库，旨在促进高级规划算法的开发和完整自主导航系统的集成。该存储库包含代表性的仿真环境模型、基本导航模块，例如，本地规划器、地形可通过性分析、航路点跟踪和可视化工具。结合我们的两个高级规划器版本-用于探索的TARE规划器和用于路线规划的FAR规划器，我们详细介绍了三个开源存储库的使用情况，并分享了集成自主导航系统的经验。我们使用DARPA Subterranean Challenge作为一个用例，其中存储库一起形成CMU-OSU团队的主要导航系统。最后，我们讨论了扩展应用程序中的一些潜在用例。
2021-10-27 cs.RO
PORCA: Modeling and Planning for Autonomous Driving among Many Pedestrians
National University of Singapore（新加坡国立大学）；University of Maryland at College Park（马里兰大学帕克分校）
提出了一种多行人自动驾驶规划系统。我们的方法的一个关键组成部分是PORCA，行人运动预测模型，占行人的全球导航意图和本地与车辆和其他行人的相互作用。不幸的是，自动驾驶车辆不知道行人的意图先验，并需要规划算法，对冲行人意图的不确定性。我们的规划系统结合了POMDP算法与行人运动模型，并运行在近实时的。实验表明，它使机器人车辆能够在每平方米近一人的人群中安全，高效，平稳地行驶。
2018-07-01 cs.RO
Differentiable Integrated Motion Prediction and Planning with Learnable Cost Function for Autonomous Driving
Nanyang Technological University（南洋理工大学）
预测周围交通参与者的未来状态，并相应地规划安全、平稳和符合社会要求的轨迹，对自动驾驶汽车至关重要。当前的自动驾驶系统存在两个主要问题：预测模块通常与规划模块分离，规划的成本函数难以指定和调整。为了解决这些问题，我们提出了一个可区分的集成预测规划框架（DIPP），也可以从数据中学习成本函数。具体而言，我们的框架使用可微分非线性优化器作为运动规划器，其将神经网络给出的周围代理的预测轨迹作为输入，并优化自动驾驶车辆的轨迹，使所有操作都是可微分的，包括成本函数权重。该框架在大规模真实驾驶数据集上进行训练，以模仿整个驾驶场景中的人类驾驶轨迹，并以开环和闭环方式进行验证。开环测试结果表明，所提出的方法在各种指标上优于基线方法，并提供以规划为中心的预测结果，允许规划模块输出接近人类驾驶员的轨迹。在闭环测试中，所提出的方法优于各种基线方法，显示出处理复杂城市驾驶场景的能力和对分布变化的鲁棒性。重要的是，我们发现，在开环和闭环测试中，规划和预测模块的联合训练比使用单独训练的预测模块进行规划的性能更好。此外，消融研究表明，框架中的可学习组件是必不可少的，以确保规划的稳定性和性能。
2023-02-18 cs.RO
Real-time Motion Planning for autonomous vehicles in dynamic environments
University of North Texas（北得克萨斯大学）
针对动态环境中移动障碍物带来的轨迹规划挑战，提出一种结合路径密度优化与分层运动规划（全局A*与局部时间弹性带）的鲁棒算法，仿真验证其有效性与通用性。
2025-01-20 cs.RO
Anytime Hybrid Driving-Stepping Locomotion Planning
Rheinische Friedrich-Wilhelms-Universität Bonn（波恩大学）
驱动-步进混合运动是一种在多种环境下进行导航的有效方法。长的、足够均匀的距离可以通过驾驶快速行驶，而障碍物可以通过步行克服。我们的四足机器人Momaro，在它的每一条顺从的腿的末端都有一对可操纵的轮子，允许这样的运动。迄今为止，规划各自的路径只引起了很少的注意。我们提出了一种导航规划方法，产生混合运动路径。规划者尽可能选择驾驶模式，并考虑详细的机器人足迹。如果需要步骤，则计划器包括这些步骤。为了加速规划，首先将步骤规划为抽象动作，然后将其扩展为详细的运动序列。我们的方法确保机器人始终保持稳定。实验表明，该规划器能够在可行的时间内提供路径，即使是具有挑战性的地形。
2018-09-19 cs.RO
Utilizing Navigation Paths to Generate Target Points for Enhanced End-to-End Autonomous Driving Planning
University of Science and Technology of China（中国科学技术大学）
针对现有端到端自动驾驶框架忽略行驶意图学习的问题，本文提出NTT方法，基于导航路径生成目标点再生成规划轨迹，在nuScenes数据集上取得优异规划性能。
2024-08-12 cs.RO
Deep Imitation Learning for Autonomous Driving in Generic Urban Scenarios with Enhanced Safety
University of California, Berkeley（加州大学伯克利分校）
城市环境中自动驾驶的决策和规划系统很难设计。大多数当前方法手动设计驱动策略，这对于大规模开发和维护来说可能是昂贵的。相反，通过模仿学习，我们只需要收集数据，计算机就会自动学习和改进驾驶策略。然而，现有的自动驾驶模仿学习方法在复杂的城市场景中表现不佳。此外，当我们使用深度神经网络策略时，安全性得不到保证。在本文中，我们提出了一个框架，在离线连接的驾驶数据的情况下，有效地学习城市场景中的驾驶策略，并结合了一个安全控制器，以保证测试时的安全。实验表明，我们的方法可以实现高性能的现实模拟城市驾驶场景。
2019-10-12 cs.RO
InterHub: A Naturalistic Trajectory Dataset with Dense Interaction for Autonomous Driving
Tongji University（同济大学）；Beijing Institute of Technology（北京理工大学）；School of Automotive Studies, Tongji University（同济大学汽车学院）
针对真实驾驶数据中交互事件稀疏的问题，本文提出 InterHub 数据集，利用形式化方法从自然驾驶记录中提取多智能体密集交互轨迹，并提供可扩展工具包以支持自动驾驶评估与研究。
2024-11-30 cs.RO
Guided Policy Search Model-based Reinforcement Learning for Urban Autonomous Driving
University of California, Berkeley（加州大学伯克利分校）
在本文中，我们继续我们以前的工作，使用模仿学习（IL）和无模型强化学习（RL），学习驾驶策略的自动驾驶在城市的情况下，通过引入基于模型的RL方法来驱动自动驾驶汽车在卡拉城市驾驶模拟器。尽管IL和无模型RL方法已被证明能够解决许多具有挑战性的任务，包括玩视频游戏，机器人，以及在我们之前的工作中，城市驾驶，但这些方法的低样本效率极大地限制了它们在实际自动驾驶中的应用。在这项工作中，我们开发了一个基于模型的RL算法的指导政策搜索（GPS）的城市驾驶任务。该算法迭代学习一个参数化的动力学模型来逼近复杂的交互式驾驶任务，并在非线性近似动力学模型下优化驾驶策略。作为一种基于模型的强化学习方法，GPS在城市自动驾驶中具有更高的样本效率、更好的可解释性和更高的稳定性。我们提供了大量的实验验证所提出的方法的有效性，学习鲁棒的驾驶政策，在卡拉城市驾驶。我们还将所提出的方法与其他策略搜索和无模型RL基线进行了比较，表明基于GPS的RL方法的样本效率提高了100倍，并且基于GPS的方法可以学习基线方法难以学习的更难任务的策略。
2020-05-11 cs.RO
ProDrive: Proactive Planning for Autonomous Driving via Ego-Environment Co-Evolution
Southern University of Science and Technology（南方科技大学）；Hong Kong University of Science and Technology（香港科技大学）
ProDrive通过自我环境共演实现自动驾驶前瞻性规划，结合查询导向的轨迹规划器和鸟瞰图世界模型，提升安全性和规划效率。
2026-04-28 cs.RO
Evaluation and Optimization of Rendering Techniques for Autonomous Driving Simulation
Southern University of Science and Technology（南方科技大学）
为提升自动驾驶仿真场景质量，提出用离线工业渲染框架替代实时渲染，通过游戏引擎生成低质量场景并用IQA算法验证离线渲染的质量提升，改进后的场景用于训练。
2023-06-27 cs.RO
