Verti-WM: A Physics-Aided Exteroceptive World Model for Off-Road Reinforcement Learning
George Mason University(乔治梅森大学)
针对越野强化学习数据采集昂贵的问题,提出物理辅助外部感知世界模型Verti-WM,融合Transformer与地面力学模型,实现高效策略优化,预测误差降低34.6%,计算时间减少23.6倍,真实世界成功率80%。
2026-09-22 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
Path Diffuser: Diffusion Model for Data-Driven Traffic Simulator
Department of Electrical and Computer Engineering, University of Waterloo(电气与计算机工程系,滑铁卢大学)
本文提出两阶段扩散模型 Path Diffuser,仅依据地图生成多智能体位姿与轨迹,并引入 Frenet 运动基元先验,在 Argoverse2 及 OOD 地图上显著提升多样性、真实性与道路合规性。
2025-09-29 cs.RO cs.SY eess.SY
Improving the Generalization of End-to-End Driving through Procedural Generation
SenseTime Group Limited(商汤集团有限公司);Department of Information Engineering, the Chinese University of Hong Kong(香港中文大学信息工程系)
在过去的几年里,人们对基于学习的自动驾驶系统越来越感兴趣。为了确保安全性,这些系统首先在模拟器中开发和验证,然后再部署到现实世界中。然而,大多数现有的驾驶模拟器只包含一组固定的场景和有限数量的可配置设置。这可能很容易导致基于学习的驾驶系统的过拟合问题,以及缺乏对未知场景的泛化能力。为了更好地评估和提高端到端驾驶的通用性,我们引入了一个开放式和高度可配置的驾驶模拟器PGDrive,遵循程序生成的关键功能。该生成算法首先从基本道路块采样生成不同的道路网络。然后,他们变成了互动的训练环境,附近的车辆与逼真的运动学交通流渲染。我们验证了随着程序生成的场景数量的增加而进行的训练显着提高了代理在不同交通密度和道路网络场景中的泛化能力。许多应用,如多智能体交通仿真和安全驾驶基准可以进一步建立在模拟器。为了促进端到端驾驶的联合研究工作,我们在https://decisionforce.github.io/pgdrive上发布了模拟器和预训练模型
2021-03-12 cs.CV cs.LG cs.RO
Investigation by Driving Simulation of Tractor Overturning Accidents Caused by Steering Instability
Tokyo University of Agriculture and Technology(东京农工大学)
拖拉机翻倒是农场死亡的主要原因。转向不稳定性是导致拖拉机倾覆的重要原因。利用驾驶模拟器研究了由转向不稳定性引起的拖拉机倾覆事故。使用通用商业驾驶模拟器CarSim(Mechanical Simulation Cooperation,MI,USA)。对拖拉机在陡坡上的作业进行了模拟,以模拟日本报告的真实事故案例。在有斜坡和无斜坡的道路上进行了模拟。拖拉机只有在陡坡上才翻车。前轮上垂直力的减小导致转向不稳定和拖拉机倾覆。转向不稳定导致转向不足,这使得操作员无法正确控制拖拉机。随后,拖拉机在模拟中翻车。拖拉机驾驶模拟器能够再现导致翻车事故的转向不稳定性。
2021-01-09 cs.RO
Trajectory Prediction for Autonomous Driving in Road Construction Zones Using Human-in-the-Loop Driving Data
New York University(纽约大学)
本研究针对城市道路施工区自车轨迹预测的研究空白,构建了多模态数据集WZDrive-Data,提出模型WZDrive,显著提升了施工区轨迹预测精度。
2026-10-12 cs.AI cs.LG cs.RO
Driving Simulator Platform for Development and Evaluation of Safety and Emergency Systems
University of São Paulo(圣保罗大学);Federal University of Lavras(拉夫拉斯联邦大学)
根据联合国的数据,全世界每天有3000多人死于道路交通碰撞。根据最近的研究,人为错误可能被认为是造成这些死亡的主要原因。正因为如此,研究人员寻求将车辆控制从人转移到自主系统的替代方案。然而,为人们提供这种技术创新可能需要在法律、经济和技术领域面临复杂的挑战。因此,汽车制造商和研究人员将驾驶自动化分为安全和应急系统,以改善驾驶员在道路上的感知。这可以减少人为错误。因此,本研究的主要贡献是提出一个驾驶模拟器平台,以开发和评估安全和应急系统,在第一个设计阶段。该驾驶模拟器平台具有一个优点:灵活的软件结构。这允许在模拟中对系统的开发或评估进行调整。建议的驾驶模拟器平台进行了测试,在两个应用程序:合作的车辆系统开发和驾驶辅助系统(\textit{DAS})对驾驶员的影响评价。在车辆协同系统开发中,研究结果表明,车辆间通信时延($V2V$)的增加对系统性能有决定性影响。另一方面,在驾驶员中的\textit{DAS}的影响评价中,可以得出\textit{DAS'}模型不具有驾驶员中避免事故所需的影响水平的结论。
2018-02-01 cs.CY cs.RO
Insertion of real agents behaviors in CARLA autonomous driving simulator
University of Alcalá(阿尔卡拉大学);European Commission, Joint Research Centre (JRC)(欧盟委员会联合研究中心)
由于对快速原型和广泛测试的需求,仿真在自动驾驶中的作用变得越来越重要。使用基于物理的模拟具有多种好处和优势,成本合理,同时消除了原型,驾驶员和弱势道路使用者的风险。然而,有两个主要的限制。首先,众所周知的现实差距是指现实和模拟之间的差异,这阻碍了模拟自动驾驶体验实现有效的现实世界性能。第二,缺乏关于真实主体行为的经验知识,包括后备司机或乘客以及其他道路使用者,如车辆、行人或骑自行车的人。Agent模拟通常是预先编程确定性,随机概率或基于真实数据生成的,但它并不代表与特定模拟场景交互的真实Agent的行为。在本文中,我们提出了一个初步的框架,使真实的代理和模拟环境(包括自动驾驶汽车)之间的实时交互,并从模拟传感器数据从多个视图,可用于训练依赖于行为模型的预测系统生成合成序列。我们的方法集成了沉浸式虚拟现实和人体运动捕捉系统与自动驾驶的CARLA模拟器。我们描述了拟议的硬件和软件架构,并讨论了所谓的行为差距或存在。我们提出了初步的,但有希望的,结果支持这种方法的潜力,并讨论未来的步骤。
2022-09-28 cs.RO
End to End Vehicle Lateral Control Using a Single Fisheye Camera
Valeo Driving Assistance Research France(法雷奥法国驾驶辅助研究公司);MINES ParisTech, PSL Research University(巴黎高等矿业学院,PSL研究大学)
卷积神经网络通常用于控制自动驾驶汽车的转向角。大多数情况下,使用多个远程摄像机来生成横向故障情况。在本文中,我们提出了一种新的模型来生成这些数据和标签增强,只使用一个短距离鱼眼相机。我们提出了我们的模拟器,以及它如何可以被用作横向端到端控制评估的一致度量。实验进行自定义数据集对应于超过10000公里和200小时的开放道路驾驶。最后,我们评估这个模型在现实世界中的驾驶场景,开放的道路和自定义测试轨道具有挑战性的避障和急转弯。在我们基于真实世界视频的模拟器中,最终模型能够在城市道路上实现99%以上的自主性
2018-08-20 cs.LG cs.RO stat.ML
RoadWeaver: Large-Scale Lane-Level HD Map Generation from Scratch for Autonomous Driving Simulation
该研究提出RoadWeaver框架,以由粗到细的方式从零生成大规模车道级高清地图,其性能优于现有最优方法,生成的地图可直接用于自动驾驶仿真。
2026-08-13 cs.AI cs.RO
A Comprehensive Review on Traffic Datasets and Simulators for Autonomous Vehicles
本文系统综述了支撑自动驾驶开发的数据集与仿真器,从感知到控制全流程分析其特点、质量与地理环境影响,并探讨多模态AI和边缘案例数据生成等趋势,为构建更稳健的自动驾驶系统提供路线图。
2025-08-27 cs.RO
Demonstrating HOUND: A Low-cost Research Platform for High-speed Off-road Underactuated Nonholonomic Driving
本文提出低成本1/10比例越野自主驾驶平台HOUND,结合BeamNG模拟器与防翻滚安全系统,并通过50公里实车试验验证其在复杂地形高速行驶的耐久性与有效性。
2024-07-06 cs.RO
Realistic pedestrian behaviour in the CARLA simulator using VR and mocap
University of Alcalá(阿尔卡拉大学);European Commission, Joint Research Centre(欧盟委员会联合研究中心)
本文提出一种在CARLA模拟器中结合VR和人体动作捕捉系统的框架,实现真实智能体与模拟环境的实时交互,以解决自动驾驶模拟中的现实差距和真实行为缺乏问题,并验证了真实行人与模拟自动驾驶车辆交互的可用性。
2023-09-08 cs.RO
SceneFactory: GPU-Accelerated Multi-Agent Driving Simulation with Physics-Based Vehicle Dynamics
Rochester Institute of Technology(罗切斯特理工学院);City University of Hong Kong(香港城市大学)
SceneFactory通过GPU向量化技术实现高吞吐量的多智能体驾驶仿真,结合物理驱动车辆动力学与强化学习,展示可扩展的自动驾驶训练无需牺牲物理真实性。
2026-05-08 cs.MA cs.RO
WROOM: An Autonomous Driving Approach for Off-Road Navigation
针对越野导航规划与控制的双重挑战,提出端到端强化学习方法WROOM,通过模仿学习热启动、结合CBF的PPO优化及域随机化训练,实现仿真到实车的越野自动驾驶部署。
2024-04-12 cs.LG cs.RO
D-AWSIM: Distributed Autonomous Driving Simulator for Dynamic Map Generation Framework
Graduate School of Science and Engineering(科学与工程研究生学校)
针对自动驾驶扩展域的安全保障需求及实车实验、单主机模拟器的局限,提出分布式模拟器D-AWSIM,支持大规模传感器部署与密集交通模拟,搭建动态地图生成框架,提升吞吐量且兼容Autoware,助力信息共享策略研究。
2025-11-12 cs.RO
CAMEL: Learning Cost-maps Made Easy for Off-road Driving
IISER Bhopal(博帕尔印度科学教育与研究学院);Texas A&M University(得克萨斯农工大学)
机器人车辆使用成本地图来规划无碰撞路径。与地图中的每个单元相关联的成本表示感测到的环境信息,该环境信息通常在多次尝试和错误努力之后手动确定。在越野环境中,由于存在几种类型的特征,手工制作与每个特征相关联的成本值是具有挑战性的。此外,不同的手工成本值可能导致相同环境的不同路径,这是不期望的。在本文中,我们解决的问题,学习的成本地图值从感知环境的鲁棒车辆路径规划。我们提出了一个新的框架,称为CAMEL使用深度学习的方法,学习参数,通过演示产生一个自适应和强大的成本地图的路径规划。CAMEL已经在RELLIS-3D等多模态数据集上进行了训练。CAMEL的评价进行了越野场景模拟器(MAVS)和现场数据从IISER-B校园。我们还执行现实世界的实现CAMEL地面漫游车。结果表明,灵活和强大的运动的车辆无碰撞的非结构化地形。
2022-10-18 cs.CV cs.RO
GarchingSim: An Autonomous Driving Simulator with Photorealistic Scenes and Minimalist Workflow
Technical University of Munich(慕尼黑工业大学)
针对自动驾驶实路测试成本高、现有开源模拟器少且配置复杂的问题,本文提出GarchingSim模拟器,具备照片级真实场景、高精度动力学模型,支持多接口通信与极简部署,可用于算法评估与数据生成等场景。
2024-01-30 cs.AI cs.CV cs.RO
VertiAKD: Adaptive Off-Road Kinodynamics on Vertically Challenging Terrain
George Mason University(乔治梅森大学);University of Catania(卡塔尼亚大学)
该研究提出VertiAKD框架,可在几何与语义复杂地形上跨不同车辆迁移适配越野运动动力学知识,仅需一分钟新数据即可显著降低长 horizon 预测误差,实现鲁棒闭环轨迹跟踪。
2026-08-19 cs.RO
DReyeVR: Democratizing Virtual Reality Driving Simulation for Behavioural & Interaction Research
Carnegie Mellon University(卡内基梅隆大学)
由于道路驾驶实验的安全性、成本和实验控制问题,模拟器是驾驶行为和交互研究的重要工具。最先进的模拟器使用昂贵的360度投影系统,以确保视觉保真度,全视野和沉浸感。然而,使用基于虚拟现实(VR)的视觉界面可以经济地实现类似的视觉保真度。我们介绍了DReyeVR,这是一个基于开源VR的驾驶模拟器平台,设计时考虑到了行为和交互研究的优先事项。DReyeVR(读作“驾驶员”)基于虚幻引擎和CARLA自动驾驶汽车模拟器,具有眼动追踪、功能驾驶抬头显示器(HUD)和车辆音频、自定义路线和交通场景、实验记录、回放功能以及与ROS的兼容性等功能。我们描述了部署这个模拟器所需的硬件,低于$5000$美元,比市售模拟器便宜得多。最后,我们描述了如何利用DReyeVR来回答示例场景中的交互研究问题。
2022-01-07 cs.AI cs.GR cs.HC
Investigating Lane-Free Traffic with a Dynamic Driving Simulator
Technical University of Munich(慕尼黑工业大学)
本文提出面向无车道交通(LFT)的驾驶模拟概念框架与场景矩阵,以研究人类行为、感知安全性及对LFT的接受度。
2023-11-05 cs.RO cs.SY eess.SY
Exploring the Influence of Driving Context on Lateral Driving Style Preferences: A Simulator-Based Study
Technical University Berlin(柏林工业大学);University of Applied Science Kempten(肯普滕应用科学大学);Institute for Driver Assistance and Connected Mobility(驾驶员辅助与互联移动研究所)
本文利用高保真驾驶模拟器开展德国受试者对照实验,考察天气与对向交通等情境下自动驾驶车辆的横向驾驶风格偏好,发现更被动风格更受偏好且情境显著影响舒适度。
2024-04-10 cs.RO cs.SY eess.SY
OpenTwinMap: An Open-Source Digital Twin Generator for Urban Autonomous Driving
Vanderbilt University(范德比大学)
OpenTwinMap是一种基于Python的开源框架,用于生成高保真的3D城市数字孪生,通过整合LiDAR和OSM数据,支持自动驾驶模拟和扩展性。
2025-11-26 cs.RO
SceneFactory-3D: Lifting 2D Traffic Scenes into 3D Physical Counterfactuals for Scalable Physically Grounded Safety Evaluation
Rochester Institute of Technology(罗切斯特理工学院);City University of Hong Kong(香港城市大学);New York University(纽约大学)
提出SceneFactory-3D,一种GPU批处理的物理基础多智能体驾驶模拟器,通过并行物理反事实评估,研究车辆控制器对道路摩擦和坡度条件的敏感性,发现摩擦降低显著影响安全性和近碰撞频率。
2026-10-14 cs.MA cs.RO
RoaD: Rollouts as Demonstrations for Closed-Loop Supervised Fine-Tuning of Autonomous Driving Policies
NVIDIA Research(NVIDIA研究部);Huawei VN Research Center(华为越南研究中心);Stanford University(斯坦福大学)
RoaD通过利用自动驾驶策略自身的闭环回滚作为额外训练数据,有效缓解协变量偏移问题,提升闭环监督微调性能。
2025-12-01 cs.AI cs.CV cs.LG
Deep Reinforcement-Learning-based 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)
在这项工作中,被认为是在高速公路上移动的自主车辆的路径规划问题。用于解决该问题的最常见的方法是基于最优控制方法,该方法对环境模型和系统动态进行假设。相反,这项工作提出了基于强化学习的驱动策略的发展。通过这种方式,所提出的驾驶策略对环境做出最小假设或不做假设,因为不需要关于系统动态的先验知识。考虑了道路被自动驾驶和手动驾驶车辆占用的驾驶场景。据我们所知,这是提出混合驾驶环境的强化学习驾驶策略的首批方法之一。推导出的强化学习策略,首先,通过动态规划推导出的最优策略进行比较,其次,其效率进行了评估下所建立的SUMO微观交通流模拟器产生的现实场景。最后,一些初步的结果,自动驾驶汽车的行为对整体交通流量的影响。
2020-02-18 cs.AI cs.CY cs.LG
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
LimSim: A Long-term Interactive Multi-scenario Traffic Simulator
Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)
本文提出LimSim,一种长期交互式多场景交通模拟器,支持城市路网下的连续高保真模拟,并聚焦多车交互,通过案例和实验验证其性能,已开源。
2023-07-26 cs.RO cs.SY eess.SY
Virtual Roads, Smarter Safety: A Digital Twin Framework for Mixed Autonomous Traffic Safety Analysis
Zachry Department of Civil and Environmental Engineering, Texas A&M University(土木与环境工程系,德克萨斯A&M大学);Department of Landscape Architecture and Urban Planning(景观建筑与城市规划系)
提出一个集成无人机激光雷达、CARLA、SUMO和PhysX的数字孪生平台,用于高保真模拟混合交通中自动驾驶与传统车辆的交互,以增强主动安全分析。
2025-04-24 cs.RO
Accurate Cooperative Localization Utilizing LiDAR-equipped Roadside Infrastructure for Autonomous Driving
Graduate School of Information Science and Technology, The University of Tokyo(东京大学情报学系研究院)
针对传统LiDAR自定位在缺特征环境下可靠性不足的问题,提出利用搭载LiDAR的路侧单元(RSU)通过V2I通信实现协同定位的方法,在AWSIM中验证其精度最高提升80%且抗网络波动能力强。
2024-07-11 cs.CV cs.RO
B-GAP: Behavior-Rich Simulation and Navigation for Autonomous Driving
University of Maryland(马里兰大学)
我们解决的问题,自我车辆导航密集的模拟交通环境中的道路代理与不同的驾驶员行为。在这样的环境中导航是具有挑战性的,由于不可预测性的代理人的行动所造成的异构行为。我们提出了一种新的模拟技术,包括丰富现有的交通模拟器与行为丰富的轨迹对应不同程度的侵略性。我们生成这些轨迹的帮助下,驾驶员行为建模算法。然后,我们使用丰富的模拟器来训练深度强化学习(DRL)策略,该策略由一组高级车辆控制命令组成,并在测试时使用该策略在密集交通中执行本地导航。我们的政策隐式地模拟交通代理之间的相互作用,并计算安全的轨迹为自我车辆会计侵略性的驾驶员操作,如超车,超速,编织,和突然变道。我们增强的行为丰富的模拟器可用于生成由对应于不同驾驶员行为和交通密度的轨迹组成的数据集,并且我们基于行为的导航方案可以与最先进的导航算法相结合。
2022-02-13 cs.RO
A Simulator Dataset to Support the Study of Impaired Driving
Toyota Research Institute(丰田研究院)
本文发布了一个包含52名受试者、23.7小时模拟驾驶的数据集,用于研究酒精中毒和认知分心对驾驶行为的影响及对道路危险事件的响应。
2025-04-15 cs.CV cs.LG cs.RO
VLM-Auto: VLM-based Autonomous Driving Assistant with Human-like Behavior and Understanding for Complex Road Scenes
Skoltech(斯科尔特科技大学);Intelligent Space Robotics Laboratory(智能空间机器人实验室)
提出 VLM-Auto 自动驾驶助手,利用 VLM 理解复杂道路场景并生成可调节驾驶行为,通过 CARLA 与 ROS2 在单张 4090 上验证,并发布微调数据集。
2024-10-02 cs.RO
Directional Primitives for Uncertainty-Aware Motion Estimation in Urban Environments
Stanford University(斯坦福大学)
我们可以使用长时间收集的驾驶数据来提取有关车辆在道路不同区域行为的丰富信息。本文引入了方向基元的概念,它是道路网络先验信息的表示。具体来说,我们表示的方向的不确定性,使用冯米塞斯分布和相关的速度,使用伽马分布的混合物。这些位置相关的原语可以与周围车辆的运动信息相结合,以概率分布的形式预测它们的未来行为。在Carla模拟器中的高速公路,交叉口和环形交叉口以及真实世界的城市驾驶数据集上进行的实验表明,基元导致更好的不确定性感知运动估计。
2020-07-01 cs.AI cs.RO stat.AP
Mathematical Models of Human Drivers Using Artificial Risk Fields
University of Colorado Boulder(科罗拉多大学博尔德分校);Purdue University(普渡大学)
在本文中,我们使用人工风险场的概念来预测人类操作员如何控制车辆以应对即将到来的道路情况。风险字段为系统的状态分配一个非负风险度量,以便对该状态与违反安全属性(例如撞上障碍物或离开道路)的接近程度进行建模。使用风险领域,我们构建了一个随机模型的运营商,从状态映射到可能的行动。我们展示了我们的方法上的驾驶任务,其中人类受试者被要求驾驶一辆汽车内的一个现实的驾驶模拟器,同时避免放置在道路上的障碍物。我们表明,最有可能的风险领域的驾驶数据是通过求解凸优化问题。接下来,我们应用推断的风险场来生成不同的驾驶行为,同时将预测的轨迹与地面实况测量进行比较。我们观察到,风险场在预测未来轨迹分布方面非常出色,预测精度高达20秒。与此同时,我们观察到一些挑战,例如无法解释驾驶员如何根据道路条件选择加速/减速。
2022-08-31 cs.HC 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
Two is Better Than One: Digital Siblings to Improve Autonomous Driving Testing
Università della Svizzera italiana (USI)(瑞士意大利语区大学);Technical University of Munich(慕尼黑工业大学);fortiss GmbH(fortiss有限公司);Università degli Studi di Udine(乌迪内大学)
针对自动驾驶仿真测试结果泛化性不足的问题,提出数字兄弟多仿真器测试方法,通过多仿真器协同、测试用例迁移与联合失效判定,提升了失效预测的准确性,为自动驾驶软件自动化测试提供了新方案。
2024-10-09 cs.AI cs.RO cs.SE
Safe Real-World Autonomous Driving by Learning to Predict and Plan with a Mixture of Experts
Woven Planet United Kingdom Limited(Woven Planet英国有限公司);Woven Planet North America, Inc.(Woven Planet北美公司)
自动驾驶汽车的目标是安全舒适地在公共道路上行驶。为了加强安全性,传统的规划方法依赖于手工制定的规则来生成轨迹。另一方面,基于机器学习的系统可以随着数据扩展,并且能够学习更复杂的行为。然而,他们往往忽视了智能体和自动驾驶车辆轨迹分布可以用来提高安全性。在本文中,我们建议使用统一的神经网络架构进行预测和规划,为自动驾驶车辆和其他道路代理建模多个未来轨迹的分布。在推理过程中,我们选择考虑安全性和预测概率的最小化成本的规划轨迹。我们的方法不依赖于任何基于规则的规划器的轨迹生成或优化,提高了更多的训练数据,是简单的实现。我们广泛地评估我们的方法,通过一个现实的模拟器,并表明预测的轨迹分布对应于不同的驾驶配置文件。我们还成功地将其部署在城市公共道路上的自动驾驶汽车上,证实了它在不影响舒适性的情况下安全驾驶。在公共预测数据集上训练和测试我们的模型的代码以及路测视频可在https://woven.mobi/safepathnet上获得
2022-11-03 cs.LG 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
A Comprehensive Review of Reinforcement Learning for Autonomous Driving in the CARLA Simulator
本综述系统分析约100篇CARLA模拟器中的强化学习自动驾驶论文,提出统一分类法,指出超80%研究依赖无模型方法,并总结评估指标与开放挑战,为新手和后续研究提供参考与路线图。
2025-09-10 cs.RO
Reinforcement Learning Compensated Model Predictive Control for Off-road Driving on Unknown Deformable Terrain
Department of Automotive Engineering, Clemson University(汽车工程系,克莱姆森大学);Ground Vehicle Systems Center, U.S. Army Combat Capabilities Development Command(地面车辆系统中心,美国陆军作战能力发展指挥部)
本文提出了一种结合深度强化学习和模型预测控制的AC2MPC控制器,用于未知变形地形的高速越野驾驶,通过减少训练数据和提高泛化能力,实现了更高效和安全的控制性能。
2026-01-22 cs.RO cs.SY eess.SY
InterSim: Interactive Traffic Simulation via Explicit Relation Modeling
Tsinghua University(清华大学);Massachusetts Institute of Technology(麻省理工学院)
交互式交通仿真对于自动驾驶系统至关重要,因为与真实道路测试相比,它能够以更可扩展和更安全的方式为规划者提供测试。现有的方法从大规模的驾驶数据学习一个代理模型来模拟现实的交通场景,但它仍然是一个悬而未决的问题,以产生一致的和不同的多代理交互行为在拥挤的场景。在这项工作中,我们提出了InterSim,一个互动的交通模拟器测试自动驾驶规划。给定一个测试计划的轨迹从自我代理,InterSim的原因有关的代理之间的互动关系,在场景中,并产生现实的轨迹为每个环境代理是一致的关系。我们训练和验证我们的模型上的大规模交互式驾驶数据集。实验结果表明,InterSim实现了更好的模拟现实主义和反应在两个模拟任务相比,一个国家的最先进的基于学习的交通模拟器。
2022-10-26 cs.RO
Bench2FreeAD: A Benchmark for Vision-based End-to-end Navigation in Unstructured Robotic Environments
针对非结构化场景下机器人导航研究不足的问题,本文构建FreeWorld Dataset数据集,微调VAD模型验证其性能,提出首个相关基准,以推动物流和服务机器人E2E导航技术发展。
2025-11-17 cs.CV cs.RO
CARLAverse: A Highly Modular, Distributed, and Multimodal Framework for Human-in-the-Loop Simulation
Institute of Energy Efficient Mobility(高效出行研究所);Karlsruhe University of Applied Sciences(卡尔斯鲁厄应用科学大学)
提出CARLAverse,一个开源多模态仿真框架,通过分布式物理架构将驾驶、骑行和行人仿真集成,实现低延迟触觉反馈的跨机构人机协同实验。
2026-09-11 cs.HC cs.RO
A Digital Twin Framework for Traffic-Aware UAV Pavement Monitoring in Open-Traffic Conditions
School of Electronic Engineering and Computer Science, Queen Mary University of London(伦敦玛丽女王大学电子工程与计算机科学学院)
提出基于Unity的数字孪生框架,集成YOLOv8n检测与分类器,实现交通感知无人机路面监测,无需封闭车道,实验评估三种遮挡恢复策略,最高覆盖率达97.95%。
2026-07-07 cs.AI 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
Real-Time Capable Decision Making for Autonomous Driving Using Reachable Sets
Stony Brook University(石溪大学)
本文提出一种基于集合可达性分析的自动驾驶实时决策模块,通过计算可达集识别行驶走廊并生成参考轨迹,在CommonRoad和CARLA中验证了其能显著加速运动规划。
2023-09-21 cs.RO cs.SY eess.SY