Supervised Anomaly Detection via Conditional Generative Adversarial Network and Ensemble Active Learning
Southwestern University of Finance and Economics（西南财经大学）；Shenzhen University（深圳大学）；University of Nottingham（诺丁汉大学）
异常检测在机器智能中有着广泛的应用，但仍然是一个尚未解决的难题。主要的挑战包括标记异常的罕见性，这是一类高度不平衡的问题。传统的无监督异常检测器是次优的，而监督模型可以很容易地对正常数据进行有偏的预测。本文通过引入新型集成主动学习生成对抗网络（EAL-GAN），提出了一种新的有监督异常检测器。EAL-GAN是一种条件GAN，具有唯一的一个生成器对多个鉴别器架构，其中异常检测由鉴别器的辅助分类器实现。除了使用条件GAN生成类平衡的补充训练数据外，还设计了一种创新的集成学习损失函数，确保每个类的学习都能弥补其他类的学习不足，以克服类不平衡问题，并引入主动学习算法，以显著降低标注真实世界数据的成本。我们提出了广泛的实验结果表明，新的异常检测器始终优于各种SOTA方法的显着利润率。代码可以在Github上找到。
2021-04-24 cs.LG
CFLOW-AD: Real-Time Unsupervised Anomaly Detection with Localization via Conditional Normalizing Flows
Panasonic AI Lab（松下人工智能实验室）；Panasonic Technology Division（松下技术事业部）
当标记不可行时，以及当异常示例在训练数据中完全缺失时，具有定位的无监督异常检测具有许多实际应用。虽然最近提出的用于这种数据设置的模型实现了高精度度量，但是它们的复杂性是实时的【形】处理的限制因素。在本文中，我们提出了一个实时的【形】模型，并分析推导出其关系到以前的方法。我们的CFLOW-AD模型是基于一个有条件的规范化流框架，通过异常检测与本地化。特别是，CFLOW-AD由一个有区别的预训练编码器和一个多尺度生成解码器组成，后者显式估计编码特征的可能性。我们的方法产生了一个计算和内存效率高的模型：CFLOW-AD比具有相同输入设置的现有技术更快，更小10倍。我们在MVTec数据集上的实验表明，CFLOW-AD在检测任务中比以前的方法高出0.36%AUROC，在定位任务中分别高出1.12%AUROC和2.5%AUPRO。我们开源我们的代码与完全可重复的实验。
2021-07-27 cs.AI cs.CV cs.LG
UMAD: Unsupervised Mask-Level Anomaly Detection for Autonomous Driving
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
针对自动驾驶中非典型场景检测难题，提出UMAD方法，结合生成式世界模型与无监督图像分割，在无需异常样本和标注数据的情况下实现优于现有方法的无监督异常检测。
2024-09-30 cs.CV cs.RO
Anomaly detection in time-series via inductive biases in the latent space of conditional normalizing flows
Department of Computer Science Norwegian University of Science and Technology（挪威科学技术大学计算机科学系）；BCAM – Basque Center for Applied Mathematics University of Coimbra, CISUC/LASI, DEI（巴斯克应用数学中心，科英布拉大学，CISUC/LASI，DEI）；IKERBASQUE — Basque Foundation for Science（巴斯克科学基金会）
本文通过在条件归一化流中引入显式归纳偏差，将异常检测从观测空间转移到潜在空间，以更准确地捕捉时间序列的结构动态，从而提高异常检测的鲁棒性和可解释性。
2026-07-09 cs.AI cs.LG
RagGAD: Rationale-Aware Conditional Gaussian Mixture Normalizing Flow for Unsupervised Graph Anomaly Detection
School of Computer Science and Technology, East China Normal University（华东师范大学计算机科学与技术学院）；State Key Laboratory of Submarine Geoscience, School of Automation and Intelligent Sensing, Shanghai Jiao Tong University（上海交通大学海洋地质国家重点实验室、自动化与智能传感学院）
针对现有图异常检测方法依赖同质性假设、鲁棒性不足的问题，提出RagGAD框架，通过依据解缠与混合建模提升性能，在多基准数据集上优于现有方法。
2026-08-18 cs.AI cs.LG
Bi-Level Optimization Augmented with Conditional Variational Autoencoder for Autonomous Driving in Dense Traffic
University of Tartu（塔尔图大学）；University of Naples Federico II（那不勒斯费德里科二世大学）
自动驾驶具有天然的双层结构。上层行为层的目标是提供适当的车道变换、加速和制动决策，以优化给定的驾驶任务。然而，这一层只能通过较低级别的轨迹规划器间接影响驾驶效率，轨迹规划器接收行为输入以产生运动命令。现有的基于采样的方法没有充分利用行为层和规划层之间的强耦合。另一方面，端到端强化学习（RL）可以学习行为层，同时结合来自较低级别规划器的反馈。然而，纯数据驱动的方法在看不见的环境中的安全指标往往失败。本文提出了一种新的替代方案;一个参数化的双层优化，共同计算最佳的行为决策和由此产生的下游轨迹。我们的方法使用自定义GPU加速的批处理优化器和条件变分自编码器学习的热启动策略实时运行。大量的仿真结果表明，我们的方法优于国家的最先进的模型预测控制和RL方法的碰撞率，同时具有竞争力的驾驶效率。
2022-12-05 cs.LG cs.RO
Examining the Effects of Emotional Valence and Arousal on Takeover Performance in Conditionally Automated Driving
University of Michigan（密歇根大学）；University of Michigan-Dearborn（密歇根大学迪尔伯恩分校）；State Farm Mutual Automobile Insurance Company（州立农场相互汽车保险公司）
在有条件自动驾驶中，驾驶员很难进行接管过渡，因为他们越来越与驾驶的操作层面脱钩。影响收购绩效的因素，如收购前置时间和非驾驶相关任务的参与，在过去已经研究过。然而，尽管情绪在人机交互和手动驾驶中发挥着重要作用，但人们对情绪如何影响驾驶员的接管性能知之甚少。因此，本研究探讨了情绪效价和唤醒对有条件自动驾驶中驾驶员接管及时性和质量的影响。我们对32名参与者进行了驾驶模拟实验。播放电影片段进行情绪诱导。研究人员要求具有不同情绪效价和唤醒水平的参与者从自动驾驶中接管控制权，并分析了他们的接管时间和质量。结果表明，积极的效价导致更好的接管质量的形式，一个较小的最大产生的加速度和一个较小的最大产生加加速度。然而，高唤醒并没有在接管时间上产生优势。本研究通过展示情绪效价和唤醒如何影响接管绩效，为文献做出了贡献。积极情绪的好处从手动驾驶延续到有条件自动驾驶，而唤醒的好处则没有。
2020-01-13 cs.AI cs.CY cs.HC
Anomaly Detection of Adversarial Examples using Class-conditional Generative Adversarial Networks
Pennsylvania State University（宾夕法尼亚州立大学）
深度神经网络（DNN）已被证明容易受到测试时规避攻击（TTE或对抗性示例）的影响，这些攻击通过对输入进行微小的更改，改变DNN的决策。我们提出了一种基于类条件生成对抗网络（GANs）的DNN分类器的无监督攻击检测器。我们通过辅助分类器GAN（AC-GAN）对预测类标签条件下的干净数据的分布进行建模。给定测试样本及其预测类，基于AC-GAN生成器和鉴别器计算三个检测统计量。在各种TTE攻击下的图像分类数据集上的实验表明，该方法优于以往的检测方法。我们还研究了使用不同DNN层（输入特征或内部层特征）进行异常检测的有效性，并证明，正如人们所料，使用更接近DNN输出层的特征更难检测到异常。
2022-05-12 cs.LG eess.IV
Anomaly Detection in Autonomous Driving: A Survey
FZI Research Center for Information Technology（FZI信息科技研究中心）；KIT Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
本文综述了自动驾驶中基于多种传感器数据的异常检测技术，系统化分类了检测方法和边缘案例级别，并指出现有研究的不足。
2025-11-24 cs.RO
Anomaly Detection With Conditional Variational Autoencoders
European Organization for Nuclear Research (CERN)（欧洲核子研究组织（CERN））；Laboratoire de Recherche en Informatique (LRI)（计算机科学研究实验室（LRI））；Université Paris-Saclay（巴黎萨克雷大学）
利用概率推理的快速发展，特别是变分贝叶斯和变分自编码器（VAE），异常检测（AD）任务仍然是一个开放的研究问题。以往的工作认为，训练VAE模型只与内点是不够的，框架应显着修改，以区分异常的情况。在这项工作中，我们利用深度条件变分自编码器（CVAE），我们定义了一个原始的损失函数与一个指标，目标层次结构化的数据AD。我们的激励应用程序是一个现实世界的问题：监测触发系统，这是许多粒子物理实验在欧洲核子研究中心大型强子对撞机（LHC）的基本组成部分。在实验中，我们展示了这种方法的经典机器学习（ML）基准测试和我们的应用程序的优越性能。
2020-10-12 cs.LG hep-ex
Conditional Predictive Behavior Planning with Inverse Reinforcement Learning for Human-like Autonomous Driving
Nanyang Technological University（南洋理工大学）
做出安全和人性化的决策是自动驾驶系统的基本能力，基于学习的行为规划为实现这一目标提供了一条有希望的途径。与现有的直接输出决策的基于学习的方法不同，这项工作引入了一个预测行为规划框架，该框架可以学习从人类驾驶数据中预测和评估。该框架由三个部分组成：一个行为生成模块，产生一组不同的候选行为的轨迹建议的形式，一个条件运动预测网络，预测未来的轨迹的其他代理的基础上，每个建议，和一个评分模块，评估候选计划使用最大熵逆强化学习（IRL）。我们通过全面的实验验证了所提出的框架在大规模的现实世界的城市驾驶数据集。结果表明，条件预测模型能够对不同的轨迹方案进行清晰合理的预测，基于IRL的评分模块能够选择接近人类驾驶的方案。所提出的框架优于其他基线方法在人类驾驶轨迹的相似性。此外，我们发现，条件预测模型提高了预测和规划性能相比，非条件模型。最后，我们注意到，学习评分模块对于将评估与人类驱动程序保持一致至关重要。
2023-03-07 cs.RO
Autonomous Navigation through intersections with Graph ConvolutionalNetworks and Conditional Imitation Learning for Self-driving Cars
The Hong Kong University of Science and Technology（香港科技大学）
在自动驾驶中，通过无信号交叉路口的导航与许多交通参与者移动是一项具有挑战性的任务。为了解决这个问题，我们提出了一种新的分支网络G-CIL的导航策略学习。具体来说，我们首先表示这样的动态环境的图形结构的数据，并提出了一个有效的策略，边缘定义聚合周围的信息，为自我车辆。然后使用图卷积神经网络作为感知模块，从环境中捕获全局和几何特征。为了生成安全高效的导航策略，我们进一步将其与条件模仿学习算法相结合，直接从专家演示中学习驾驶行为。我们提出的网络能够处理不同数量的周围车辆并生成最优控制动作（例如，转向角和油门）根据给定的高级命令（例如，向左转向全球目标）。对不同交通密度的无信号交叉口的评估表明，我们的端到端可训练神经网络优于基线，具有更高的成功率和更短的导航时间。
2021-02-01 cs.AI cs.RO
Conditional Latent ODEs for Motion Prediction in Autonomous Driving
KAIST（韩国科学技术院）；The Robotics Program - KAIST EE（韩国科学技术院电气工程学院机器人项目）
本文提出条件隐式常微分方程（cLODE）解决自动驾驶多智能体运动预测问题，结合条件VAE与神经ODE优势，在仿真中优于基线且GPU内存消耗高效。
2024-05-29 cs.RO
AnoVox: A Benchmark for Multimodal Anomaly Detection in Autonomous Driving
FZI Research Center for Information Technology（弗劳恩霍夫研究所信息技术研究中心）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；Technical University of Berlin（柏林技术大学）
针对自动驾驶异常检测现有基准依赖相机数据的问题，提出最大多模态基准AnoVox，整合多模态传感器数据与空间体素真值，定义规范性并提供训练集，首次涵盖内容与时间异常，支持跨传感器方法比较。
2024-09-26 cs.CV cs.RO
Perception Datasets for Anomaly Detection in Autonomous Driving: A Survey
FZI Research Center for Information Technology（FZI信息技术研究中心）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；University of Wuppertal（伍珀塔尔大学）；Interdisciplinary Center for Machine Learning and Data Analytics（机器学习与数据分析跨学科中心）
本综述全面比较了自动驾驶异常检测的感知数据集，将其分为真实、合成增强及完全合成三类，并分析了现有数据集的弱点与差距。
2023-03-31 cs.CV cs.RO
CMTS: Conditional Multiple Trajectory Synthesizer for Generating Safety-critical Driving Scenarios
Carnegie Mellon University（卡内基梅隆大学）
自然驾驶轨迹对于自动驾驶算法的性能至关重要。然而，大多数数据是在安全的情况下收集的，导致轨迹的重复，这很容易被目前开发的算法处理。在考虑安全性时，在几乎没有出现在现成数据集中的情况下测试算法是评估的重要组成部分。作为一种补救措施，我们提出了一种基于变分贝叶斯方法的近炸数据合成框架，并称之为条件多轨迹合成器（CMTS）。我们利用一个生成模型的条件下，道路地图桥梁安全和碰撞驾驶数据，代表他们在潜在空间中的分布。通过从未遂分布中采样，我们可以合成对于理解交通场景至关重要的安全关键数据，但这些数据既没有显示在原始数据集中，也没有显示在碰撞数据集中。实验结果表明，增强后的数据集覆盖了更多的驾驶场景，尤其是近距离碰撞场景，提高了轨迹预测的准确性和处理危险驾驶场景的能力。
2019-10-02 cs.CV cs.LG cs.RO
Predicting Driver Takeover Time in Conditionally Automated Driving
The University of Michigan（密歇根大学）；University of Pittsburgh（匹兹堡大学）；University of Michigan（密歇根大学）
在条件自动驾驶中确保安全的接管过渡是非常重要的。量化安全接管过渡的关键因素之一是接管时间。以往的研究确定了许多因素对接管时间的影响，如接管前置时间，非驾驶任务，接管请求（TORs）的方式，和场景的紧迫性。然而，目前还缺乏同时考虑这些因素来预测收购时间的研究。为此，我们使用了极限梯度提升（XGBoost）来预测接管时间，使用的数据集来自荟萃分析研究[1]。此外，我们使用SHAP（SHapley Additive exPlanation）来分析和解释预测因子对收购时间的影响。我们确定了七个最关键的预测因子，这些因子导致了最佳的预测性能。研究了它们对接管时间的主效应和交互效应。实验结果表明，该方法具有良好的性能和可解释性。我们的研究结果对车载监控和警报系统的设计有影响，以促进驾驶员和自动驾驶汽车之间的互动。
2021-07-20 cs.HC cs.LG cs.RO
GDFlow: Anomaly Detection with NCDE-based Normalizing Flow for Advanced Driver Assistance System
Sungkyunkwan University（成均馆大学）；Hyundai-KEFICO（现代-凯菲科）
针对ADAS未标记、有限且含噪驾驶数据中的异常制动识别问题，提出融合NCDE与归一化流的GDFlow，并用分位数最大似然目标提升边界判别能力，在真实电动车及时间序列基准上取得最优性能与推理效率。
2024-09-09 cs.AI cs.LG
Conditional Prediction by Simulation for Automated Driving
CARIAD SE；Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
本文提出一种基于微观交通仿真和对抗性逆强化学习行为模型的条件预测方法，通过以自动驾驶车辆候选轨迹为条件生成预测并支持动态调整，从而实现协同规划。
2025-02-05 cs.CV cs.RO
Contaminated Multivariate Time-Series Anomaly Detection with Spatio-Temporal Graph Conditional Diffusion Models
McGill University（麦吉尔大学）；Mila - Quebec AI Institute（魁北克AI研究所）
针对训练数据被异常污染的无监督时间序列异常检测问题，提出TSAD-C框架，通过去污染、长程变量依赖建模和异常评分三模块实现端到端检测，并在四个数据集上达到新SOTA。
2025-05-09 cs.LG eess.SP
Strong Linear Baselines Strike Back: Closed-Form Linear Models as Gaussian Process Conditional Density Estimators for TSAD
Applied AI Institute（应用人工智能研究所）
本文提出利用闭式线性模型作为高斯过程条件密度估计器，证明其在时间序列异常检测中优于深度学习方法，且计算效率高。
2026-01-31 cs.LG
Crossfusor: A Cross-Attention Transformer Enhanced Conditional Diffusion Model for Car-Following Trajectory Prediction
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Texas A&M University（德克萨斯农工大学）
针对现有车辆轨迹预测模型忽略精细跟车行为与车际交互的问题，提出融合GRU、位置注意力、傅里叶嵌入与交叉注意力transformer的条件扩散模型Crossfusor，在NGSIM数据集上尤其是长期预测中优于现有最优模型。
2024-06-17 cs.AI cs.LG cs.RO
Robust Errant Beam Prognostics with Conditional Modeling for Particle Accelerators
Oak Ridge National Laboratory（橡树岭国家实验室）；University of Houston（休斯顿大学）
针对粒子加速器系统配置变化导致的数据变异性挑战，采用条件孪生神经网络（CSNN）和条件变分自编码器（CVAE）预测异常束流脉冲，实验证明CSNN性能优于CVAE。
2024-02-19 cs.LG physics.acc-ph
RADE: Learning Risk-Adjustable Driving Environment via Multi-Agent Conditional Diffusion
Department of Civil and Environmental Engineering, University of Michigan（密歇根大学土木与环境工程系）；Department of Computer Science, University of Hong Kong（香港大学计算机科学系）；University of Michigan Transportation Research Institute（密歇根大学交通研究研究院）
RADE通过多智能体条件扩散模型生成真实且可控风险的驾驶场景，直接从数据学习风险条件行为，提升自动驾驶安全评估的现实性和可扩展性。
2025-05-06 cs.LG cs.RO
Can VLMs Unlock Semantic Anomaly Detection? A Framework for Structured Reasoning
Professorship of Autonomous Vehicle Systems TUM School of Engineering；Design, Technical University of Munich Munich, Germany
本文提出SAVANT框架，通过结构化推理方法提升VLM在语义异常检测中的性能，实现对自动驾驶场景中罕见异常情况的更准确识别。
2026-05-20 cs.AI cs.CV cs.RO
SocialTraj: Two-Stage Socially-Aware Trajectory Prediction for Autonomous Driving via Conditional Diffusion Model
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
SocialTraj通过贝叶斯逆强化学习估计社会价值取向，并结合条件扩散模型与自车规划轨迹，实现社会感知且行为一致的多模态轨迹预测，在NGSIM和HighD上优于现有方法。
2025-09-22 cs.RO
A quantitative model of takeover request time budget for conditionally automated driving
Federal University of Petroleum Resources（石油资源联邦大学）；University of Duisburg-Essen（杜伊斯堡-埃森大学）
本研究针对条件自动驾驶，通过实验评估固定与可变时间预算的适用性，提出了一种整合反应时间、驾驶经验和场景需求的接管请求时间预算估算数学公式。
2024-08-28 cs.CV cs.HC cs.RO
Towards Defensive Autonomous Driving: Collecting and Probing Driving Demonstrations of Mixed Qualities
Korea University（高丽大学）；Seoul National University（首尔国立大学）；Department of Artificial Intelligence, Korea University（高丽大学人工智能系）；ASRI, Seoul National University（首尔国立大学先进科学研究中心）；Department of Mechanical Engineering, Seoul National University（首尔国立大学机械工程系）；Department of Computer Science and Engineering, Seoul National University（首尔国立大学计算机科学与工程系）
设计或学习自动驾驶政策无疑是一项具有挑战性的任务，因为该政策必须在所有情况下保持其安全性。为了确保自动驾驶的安全性，检测危险情况的能力变得至关重要，这可以被视为分发外（OOD）检测问题。然而，大多数常规数据集仅提供专家驾驶演示，尽管需要一些非专家或不常见的驾驶行为数据来实现有安全保证的自动驾驶平台。为此，我们提出了一个新的数据集，称为R3驾驶数据集，由不同质量的驾驶数据组成。该数据集将异常驾驶行为分为8类，369种不同的详细情况。这些情况包括危险的车道变化和接近碰撞的情况。为了进一步启发如何检测这些异常驾驶行为，我们利用不同的不确定性估计和异常检测方法的建议数据集。从所提出的实验的结果中，可以推断，通过使用不确定性估计和异常检测，所提出的数据集中的大多数异常情况可以被区分。本文的数据集可以从www.example.com下载。
2021-09-18 cs.RO
An Investigation of Drivers' Dynamic Situational Trust in Conditionally Automated Driving
The University of Michigan-Dearborn（密歇根大学迪尔伯恩分校）
了解信任如何随着时间的推移而建立至关重要，因为信任在接受和采用自动驾驶汽车（AV）方面起着重要作用。本研究旨在探讨系统绩效与参与者信任前提对企业接管过程中动态情境信任的影响。我们评估了42名参与者使用自我报告和行为措施，同时观看30个视频接管的情况下的动态情境信任。该研究是3 × 2混合受试者设计，其中受试者内变量是系统性能（即，95%、80%和70%的准确性水平），并且受试者间变量是参与者信任的前提条件（即，过度信任和信任不足）。我们的研究结果表明，参与者迅速调整他们的自我报告的情景信任（SST）水平，这是一致的，在这两个信任的前提下，不同的准确性水平的系统性能。然而，在不同的准确性水平上，被试的行为情境信任（BST）受到信任前提的影响。例如，过度信任的前提条件显着增加了协议分数相比，信任不足的前提条件。与过度信任的前提条件相比，信任不足的前提条件显著降低了转换分数。这些结果具有重要的意义，设计一个车内的信任校准系统的条件AV。
2021-12-08 cs.HC cs.RO
End-to-End Steering for Autonomous Vehicles via Conditional Imitation Co-Learning
Faculty of Engineering, Cairo University（开罗大学工程学院）；Amazon, Last Mile（亚马逊最后一公里部门）
本文提出条件模仿协同学习（CIC）方法，通过协同学习矩阵建模CIL专家分支间关系，并将转向回归转化为分类问题，使端到端自动驾驶在未知环境中的成功率平均提升62%。
2024-11-25 cs.AI cs.RO
Structural Attention-Based Recurrent Variational Autoencoder for Highway Vehicle Anomaly Detection
University of Illinois（伊利诺伊大学）
在自动驾驶中，异常驾驶行为的检测对于确保车辆控制器的安全至关重要。车辆异常检测中的先前工作已经表明，对代理之间的交互进行建模可以提高检测精度，但是结构化道路信息至关重要的某些异常行为识别不佳，例如错误的道路和越野驾驶。我们提出了一种新的无监督的高速公路异常检测框架命名为基于结构注意的递归VAE（SABeR-VAE），它明确地使用环境的结构，以帮助异常识别。具体来说，我们使用车辆自我注意力模块来学习道路上车辆之间的关系，并使用单独的车道车辆注意力模块来模拟允许车道的重要性，以帮助轨迹预测。以注意力模块的输出为条件，一个具有随机Koopman算子传播的潜在空间的递归编码器-解码器架构预测车辆的下一个状态。我们的模型是端到端训练的，以最大限度地减少对正常车辆行为的预测损失，并部署用于检测（ab）正常场景中的异常。通过结合异质车辆和车道信息，SABeR-VAE及其确定性变体，SABeR-AE，改善异常AUPR分别为18%和25%的模拟MAAD公路数据集上STGAE-KDE。此外，我们表明，学习Koopman算子在SABeR-VAE执行可解释的结构在变分的潜在空间。我们的方法的结果确实表明，建模环境因素是必不可少的检测部署中的各种异常。有关代码实现，请访问https://sites.google.com/illinois.edu/saber-vae。
2023-02-23 cs.RO
Identifying Driver Interactions via Conditional Behavior Prediction
University of Pennsylvania（宾夕法尼亚大学）；Waymo（Waymo公司）
交互式驾驶场景，例如车道变换、合并和无保护转弯，是自动驾驶最具挑战性的情况。在交互式场景中的规划需要准确地建模其他代理对自我代理的不同未来动作的反应。我们开发了端到端的有条件的行为预测（CBP）模型，作为输入的查询未来轨迹的自我代理，并预测分布在未来的轨迹上的其他代理条件的查询。利用这样一个模型，我们开发了一个通用的代理互动得分来自概率第一原则。交互性得分使我们能够找到有趣的交互场景，用于训练和评估行为预测模型。我们进一步证明，建议的分数是有效的计算预算约束下的代理优先级。
2021-06-01 cs.RO
DTPP: Differentiable Joint Conditional Prediction and Cost Evaluation for Tree Policy Planning in Autonomous Driving
School of Mechanical and Aerospace Engineering, Nanyang Technological University（南洋理工大学机械与航天工程学院）；NVIDIA Research, NVIDIA Corporation（英伟达公司英伟达研究院）；Department of Aeronautics and Astronautics, Stanford University（斯坦福大学航空航天系）
本文提出DTPP框架，通过可微联合训练自车条件预测模型与上下文感知代价模型，结合树结构策略规划，在nuPlan数据集上以更高效率实现了优于现有学习方法的自动驾驶规划质量。
2024-02-24 cs.RO
Building Trust Profiles in Conditionally Automated Driving
The University of Michigan, Dearborn（密歇根大学迪尔伯恩分校）；University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
本研究通过驾驶模拟器实验，使用K-means聚类模型识别出三种驾驶员信任档案，并基于SHAP和多项逻辑回归模型进行验证，为设计个性化车内信任监控与校准系统以提升自动驾驶安全性和体验提供了重要依据。
2023-06-28 cs.HC cs.RO
Unsupervised Learning for Detection of Rare Driving Scenarios
Professorship of Autonomous Vehicle Systems, TUM School of Engineering and Design, Technical University Munich（自主车辆系统教授职位，技术大学慕尼黑工程与设计学院）；Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所）；CARIAD SE（CARIAD公司）
本研究提出一种无监督学习方法，利用深度隔离森林和t-SNE技术，有效检测自动驾驶中的罕见危险场景。
2025-12-29 cs.RO cs.SY eess.SY
Conditional Diffusion Models for Energy-Efficient Driving
University of Washington（华盛顿大学）；Amazon Science（亚马逊科学）；University of Cambridge（剑桥大学）
该研究提出潜在条件扩散模型，基于1.2万次商用EV行程遥测数据生成电流轨迹，其性能优于直接条件注入，为不确定性感知的大规模车队规划奠定基础。
2026-08-31 cs.LG
DragTraffic: Interactive and Controllable Traffic Scene Generation for Autonomous Driving
The Hong Kong University of Science and Technology（香港科技大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；KTH Royal Institute of Technology（瑞典皇家理工学院）；Lotus Technology Ltd（路特斯科技有限公司）
提出基于条件扩散的交通场景生成框架DragTraffic，通过自适应混合专家架构、回归初始解与交叉注意力机制，实现高可控、多样且真实的自动驾驶边缘案例生成。
2024-10-10 cs.CV cs.RO
Latent-Centroid Steering: Single-Pass Classifier-Free Guidance for Command-Aligned Autonomous Driving
Rochester Institute of Technology（罗切斯特理工学院）；NVIDIA（英伟达公司）
针对视觉语言自动驾驶模型的指令跟随差距，提出单次引导机制LCS，降低推理延迟约50%，在Bench2Drive和nuScenes基准上提升指令遵循与驾驶性能。
2026-09-18 cs.CV cs.RO
Urban Driving with Conditional Imitation Learning
Wayve（Wayve公司）
为现实世界的城市自动驾驶手工制定通用的决策规则是很困难的。另外，从易于收集的人类驾驶示范中学习行为也很有吸引力。先前的工作已经研究了用于自动驾驶的模仿学习（IL），具有许多限制。示例包括仅执行车道跟随而不是遵循用户定义的路线，仅使用单个相机视图或缺乏状态可观察性的严重裁剪的帧，仅横向（转向）控制而不是纵向（速度）控制以及缺乏与交通的交互。重要的是，大多数此类系统主要在模拟中进行评估-这是一个简单的领域，缺乏现实世界的复杂性。出于这些挑战，我们专注于学习的语义，几何和运动表示与计算机视觉IL从人类驾驶示范。作为我们的主要贡献，我们提出了一个端到端的条件模仿学习的方法，结合横向和纵向控制的一个真正的车辆以下的城市路线与简单的交通。我们通过数据平衡来解决固有的数据集偏差，在六个月内收集的大约30小时的演示中训练我们的最终策略。我们通过在欧洲城市街道上行驶35公里的新路线来评估我们在自动驾驶汽车上的方法。
2019-12-05 cs.AI cs.CV cs.LG
End-to-end Driving via Conditional Imitation Learning
Intel Labs（英特尔实验室）；Computer Vision Center & Univ. Autonoma de Barcelona（计算机视觉中心与巴塞罗那自治大学）；King Abdullah University of Science & Technology（阿卜杜拉国王科技大学）
经过人类驾驶示范训练的深度网络已经学会了跟随道路并避开障碍物。然而，通过模仿学习训练的驾驶策略在测试时不能被控制。经过端到端训练以模仿专家的车辆无法被引导在即将到来的十字路口进行特定转弯。这限制了这种系统的实用性。我们建议将模仿学习置于高水平的指令输入之上。在测试时，学习的驾驶策略作为一个司机，处理感觉运动协调，但继续响应导航命令。我们评估不同的架构，有条件的模仿学习在基于视觉的驾驶。我们进行实验，在现实的三维模拟城市驾驶和1/5规模的机器人卡车，训练驾驶在住宅区。这两个系统都基于视觉输入进行驾驶，但仍能对高级导航命令做出响应。补充视频可以在https://youtu.be/cFtnflNe5fM上观看
2018-03-02 cs.CV cs.LG cs.RO
CGGM: A conditional graph generation model with adaptive sparsity for node anomaly detection in IoT networks
College of Artificial Intelligence, Dalian Maritime University（大连海事大学人工智能学院）；Singapore University of Technology and Design（新加坡科技设计大学）；Yonsei University（延世大学）
针对物联网动态图节点异常检测中类别不平衡问题，提出含条件图生成与异常检测模块的CGGM模型，通过自适应稀疏处理、多维特征编码等生成少数类样本，提升了检测准确率与多分类性能。
2024-12-12 cs.LG cs.RO
Dynamic Conditional Imitation Learning for Autonomous Driving
The American University in Cairo（开罗美国大学）；Valeo Schalter und Sensoren GmbH（法雷奥开关与传感器有限公司）；Valeo Egypt（法雷奥埃及公司）
条件模仿学习（CIL）以端到端的方式训练深度神经网络，以模仿人类驾驶。这种方法已经证明了在遵循道路、避开障碍物或在十字路口转弯以到达目的地时适当的车辆控制。不幸的是，当部署到看不见的环境中时，性能会急剧下降，并且在不同的天气条件下不一致。最重要的是，目前的CIL未能避免静态道路堵塞。在这项工作中，我们提出了解决这些缺陷的方法。首先，我们在特征级别将激光扫描仪与常规相机流融合，以克服泛化和一致性挑战。其次，我们引入了一个新的有效的占领网格映射（OGM）的方法，以及新的算法，避免道路堵塞和全球路线规划。因此，我们提出的方法动态检测部分和全部道路堵塞，并引导受控车辆行驶到另一条路线以到达目的地。在最初的CIL工作之后，我们在CARLA模拟器城市驾驶基准上证明了我们的建议的有效性。我们的实验表明，我们的模型将天气条件的一致性提高了四倍，自动驾驶成功率提高了52%。此外，我们的全球路线规划器将驾驶成功率提高了37%。我们提出的道路阻塞避免算法提高了27%的驾驶成功率。最后，与静止物体碰撞前的平均行驶公里数增加了1.5倍。主要的源代码可以在https://heshameraqi.github.io/dynamic_cil_autonomous_driving上找到。
2022-11-17 cs.AI cs.RO
Conditional Driving from Natural Language Instructions
University of Washington（华盛顿大学）；NVIDIA（英伟达）；KTH Royal Institute of Technology（瑞典皇家理工学院）；Allen Institute for AI（艾伦人工智能研究所）
自动驾驶汽车的广泛采用不仅取决于它们的安全性，而且在很大程度上取决于它们与人类用户互动的能力。就像人类驾驶员一样，自动驾驶汽车将被期望能够理解并安全地遵循自然语言方向，这些方向会根据用户的偏好或在存在模糊性的情况下突然改变预先计划的路线，特别是在地图覆盖较差或过时的位置。为此，我们提出了一个语言为基础的驱动代理实现层次化的政策，使用经常性的层和门控注意。分层方法使我们能够根据描述长时间范围的高级语言指令和自动驾驶汽车实时控制所需的低级、复杂、连续的状态/动作空间进行推理。我们通过从人类驾驶员和导航员那里收集的真实语言数据，用有条件的模仿学习来训练我们的策略。通过CARLA框架内的定量和交互式实验，我们表明，我们的模型可以成功地解释语言指令，并安全地遵循它们，即使在推广到以前看不见的环境。代码和视频可在https://sites.google.com/view/language-grounded-driving上获得。
2019-10-16 cs.AI cs.CV cs.RO
A Benchmark for Unsupervised Anomaly Detection in Multi-Agent Trajectories
Mercedes-Benz Group AG（梅赛德斯-奔驰集团股份公司）；University Ulm（乌尔姆大学）；Otto-von-Guericke-University Magdeburg（马格德堡奥托·冯·格里克大学）
人类的直觉允许在他们从未经历过的情况下检测异常驾驶场景。就像人类检测到这些异常情况并采取对策防止碰撞一样，自动驾驶汽车也需要异常检测机制。然而，文献缺乏一个标准的基准比较异常检测算法。我们填补了这一空白，并提出了R-U-MAAD基准多智能体轨迹的无监督异常检测。目标是从没有标签的训练序列中学习正常驾驶的表示，然后检测异常。我们使用Argoverse运动预测数据集进行训练，并提出了一个测试数据集的160个序列与人类注释的城市环境中的异常。为此，我们在模拟中结合了真实世界轨迹的回放和场景相关的异常驾驶。在我们的实验中，我们使用标准异常检测指标比较了11个基线，包括线性模型，深度自动编码器和一类分类模型。深度重建和端到端的单类方法显示出良好的效果。基准和基线模型将公开提供。
2022-09-05 cs.RO
SAM: Squeeze-and-Mimic Networks for Conditional Visual Driving Policy Learning
University of California, Los Angeles（加州大学洛杉矶分校）；Kuaishou Technology（快手科技）
我们描述了一种策略学习方法，将视觉输入映射到以转向命令为条件的驾驶控制，该转向命令通过为驾驶训练的学习表示来利用语义和对象启示上的侧任务。为了学习这种表示，我们训练一个挤压网络，以使用副任务的注释作为输入来驱动。这种表示对与副任务相关联的驾驶相关信息进行编码，同时理想地抛出副任务相关但驾驶无关的滋扰。然后，我们训练一个模仿网络，以驱动仅使用图像作为输入，并使用挤压网络的潜在表示，通过模仿损失监督模仿网络。值得注意的是，我们的目标不是实现副任务，也不是学习它的特征;相反，我们的目标是通过模仿损失来学习对驾驶直接有用的副任务注释的表示。我们使用CARLA模拟器测试我们的方法。此外，我们引入了一个更具挑战性的，但现实的评估协议，认为只有当它不违反常见的交通规则，成功地到达目的地的运行。总结这项工作的视频可在https://youtu.be/ipKAMzmJpMs上获得，代码可在https://github.com/twsq/sam-driving上获得。
2020-11-19 cs.CV cs.LG cs.RO
Deep Multi-Task Learning for Anomalous Driving Detection Using CAN Bus Scalar Sensor Data
Rutgers University（罗格斯大学）；Honda Research Institute（本田研究院）
在将人工智能（AI）系统应用于安全关键型应用时，角落案例是主要的瓶颈。人工智能系统应该足够智能，能够检测到这种情况，以便系统开发人员为后续规划做好准备。在本文中，我们提出了半监督异常检测考虑正常情况的不平衡。特别地，驾驶数据由多个积极/正常情况（例如，右转，直行），其中一些（例如，掉头）可能是罕见的异常情况。现有的基于机器学习的异常检测方法在应用于这种不平衡的数据时效果不够好。在本文中，我们提出了一种新的基于多任务学习的方法，利用领域知识（机动标签）的异常检测驾驶数据。我们评估所提出的方法在150小时的真实驾驶数据的定量和定性，并显示出比基线方法的性能提高。
2019-06-28 cs.CV cs.LG cs.RO
Safer End-to-End Autonomous Driving via Conditional Imitation Learning and Command Augmentation
模仿学习是自主车辆控制器端到端培训的一种有前途的方法。通常情况下，这种方法的驾驶过程是完全自动的和黑匣子，尽管在实践中，希望通过高级命令控制车辆，例如告诉它在十字路口走哪条路。在现有的工作中，这已经通过分支神经架构的应用来完成，因为直接提供命令作为控制器的附加输入通常导致命令被忽略。在这项工作中，我们克服了这一限制，通过学习一个解开的概率潜变量模型，生成的转向命令。我们实现了忠实的命令条件生成，而不使用分支架构，并证明了控制器的稳定性提高，只应用一个变分目标，没有任何特定领域的调整。最重要的是，我们用一个额外的潜在变量扩展了我们的模型，并增加了数据集，以训练一个对不安全命令（例如要求它变成一堵墙）具有鲁棒性的控制器。这项工作的主要贡献是建立可控的模仿驱动代理，提高了多个方面的鲁棒性和可解释性的现有技术。
2020-11-20 cs.LG cs.MA cs.RO
Conditional Affordance Learning for Driving in Urban Environments
Chair of Robotics Science and System Intelligence, Technical University of Munich（慕尼黑技术大学机器人科学与系统智能系）
本文提出了一种直接感知方法，通过将视频输入映射到适合复杂城市环境自主导航的中间表示，结合高层方向输入，实现了比现有强化学习和条件模仿学习方法更高的目标导向导航性能，并首次通过图像级标签处理交通灯和速度标志，显著减少模拟中的交通事故。
2018-11-03 cs.LG cs.RO cs.SY
