Reinforced Imitative Trajectory Planning for Urban Automated Driving
本文提出一种结合强化学习与模仿学习的多步轨迹规划方法,引入基于Transformer的贝叶斯奖励函数和混合驱动框架,在nuPlan数据集上显著优于基线并媲美最先进方法。
2025-07-16 cs.AI cs.RO
Hierarchical Trajectory Planning for Autonomous Driving in Low-speed Driving Scenarios Based on RRT and Optimization
The Hong Kong University of Science and Technology(香港科技大学)
虽然人们对城市道路和高速公路上的路径规划进行了大量的研究,但很少有研究低速驾驶场景下的驾驶策略和轨迹规划,例如,在大学校园内驾驶或在住宅区或工业区内驾驶。在这些情况下的规划研究是至关重要的,因为这些环境往往涵盖了日常旅行或物流系统的第一公里或最后一公里。此外,有必要区别对待这些场景,因为在大多数情况下,驾驶环境是狭窄的,动态的,并且充满障碍物,这也导致在这种环境中进行规划仍然是一项具有挑战性的任务。提出了一种将路径规划和时间规划分离的层次规划方法。通过改进的双向快速探索随机树(bi-RRT)方法生成满足运动学约束的路径。然后,通过序列二次规划(SQP)的安全区间(SI)定义的可行的搜索范围,优化的路径的每个节点的时间戳。不同驾驶场景下的仿真和实车试验证明了该方法的有效性。
2019-04-04 cs.RO
Drive As You Like: Multi-Head Diffusion with Reinforcement Learning for Personalized Driving
School of Information Technology, Monash University Malaysia(墨尔本大学马来西亚分校信息科技学院);Southwest University, China(西南大学)
研究旨在解决自动驾驶规划器忽视人类驾驶行为多样性及难以理解用户意图的问题。提出基于强化学习的多策略框架,集成多头部扩散规划器与语义理解,采用两阶段训练范式。实验表明该方法在nuPlan基准测试中性能良好,能满足实时规划并对齐用户意图。
2026-10-16 cs.AI cs.RO
Learning hierarchical behavior and motion planning for autonomous driving
Zhejiang University(浙江大学);Arizona State University(亚利桑那州立大学)
基于学习的驾驶解决方案是自动驾驶的一个新分支,它通过从数据中学习底层机制来简化驾驶建模。为了提高基于学习的驾驶解决方案的战术决策,我们引入分层行为和运动规划(HBMP)明确建模的行为,基于学习的解决方案。由于行为和运动的耦合行为空间,使用强化学习(RL)解决长时间驾驶任务的HBMP问题具有挑战性。我们通过整合一个经典的基于采样的运动规划器来转换HBMP问题,其中的最优成本被视为高级行为学习的奖励。因此,该公式减少了行动空间,并多样化的奖励,而不会失去HBMP的最优性。此外,我们提出了一种跨仿真平台和真实世界环境的输入传感数据的可共享表示,以便在基于事件的快速仿真器SUMO中训练的模型可以用于在基于动态的仿真器CARLA中初始化和加速RL训练。实验结果证明了该方法的有效性。此外,该模型被成功地转移到现实世界中,验证了泛化能力。
2020-05-08 cs.AI cs.RO
Residual Chain Prediction for Autonomous Driving Path Planning
Technical University of Munich(慕尼黑工业大学);School of Computer Science, Nanjing University of Information Science & Technology(南京信息工程大学计算机学院);School of Computer and Information Engineering, Fuyang Normal University(阜阳师范大学计算机与信息工程学院)
针对端到端自动驾驶路径规划中行为克隆因曼哈顿距离产生协变量偏移的问题,提出 Residual Chain Loss 动态调整损失以增强时序依赖,并在 nuScenes 上验证其性能提升。
2024-04-08 cs.AI cs.RO
Getting SMARTER for Motion Planning in Autonomous Driving Systems
Huawei Technologies Canada(华为技术加拿大公司);University of Alberta(阿尔伯塔大学)
本文介绍SMARTS 2.0模拟器及其基准套件,用于评估自动驾驶运动规划算法,涵盖交互式和自适应驾驶场景,并提供通用及特定任务指标,以应对现实部署的评估挑战。
2025-02-20 cs.AI cs.RO
A Goal-Oriented Reinforcement Learning-Based Path Planning Algorithm for Modular Self-Reconfigurable Satellites
State Key Laboratory of Micro-Spacecraft Rapid Design(微航天快速设计国家重点实验室);Intelligent Cluster, Harbin Institute of Technology, Harbin(哈尔滨工业大学)
本文提出一种面向目标的强化学习路径规划算法,首次解决模块化自重构卫星的多目标构型问题,并结合后见经验回放与无效动作掩码,在四单元和六单元集群中分别实现95%和73%的成功率。
2025-07-22 cs.AI cs.LG cs.RO
LiloDriver: A Lifelong Learning Framework for Closed-loop Motion Planning in Long-tail Autonomous Driving Scenarios
Institute for AI Industry Research (AIR), Tsinghua University(清华大学人工智能产业研究院(AIR));Department of Computer Science and Technology, Tsinghua University(清华大学计算机科学与技术系);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);Horizon Robotics(地平线机器人)
LiloDriver通过结合大语言模型与记忆增强的规划生成系统,实现了在长尾自动驾驶场景中闭环运动规划的持续适应,优于传统规则和学习方法。
2026-04-09 cs.AI cs.RO
RiskMap: A Unified Driving Context Representation for Autonomous Motion Planning in Urban Driving Environment
The Hong Kong University of Science and Technology(香港科技大学);Division of Emerging Interdisciplinary Areas(新兴跨学科领域);Robotics and Autonomous Systems Thrust(机器人与自主系统方向);Department of Electronic and Computer Engineering(电子与计算机工程系)
本文提出一种名为RiskMap的由深度神经网络支持的统一上下文表示,通过可微风险场为下游规划任务提供驾驶成本先验,以简化复杂场景规划并提升驾驶安全性与平顺性。
2024-10-11 cs.RO
Task-Motion Planning for Safe and Efficient Urban Driving
SUNY Binghamton(纽约州立大学宾汉姆顿分校)
自动驾驶汽车需要在任务级别进行规划,以计算一系列符号动作,例如向左合并和向右转弯,以满足人们的服务请求,其中效率是主要关注的问题。与此同时,车辆必须计算连续的轨迹,以在运动级别执行动作,其中安全是最重要的。自动驾驶中的任务-运动规划面临着在保证运动级安全的同时最大化任务级效率的问题。为此,我们开发的算法任务-运动规划的城市驾驶(TMPUD),第一次,使任务和运动规划者沟通的安全水平的驾驶行为。TMPUD已使用现实的城市驾驶模拟平台进行了评估。结果表明,TMPUD在效率方面明显优于文献中的竞争基线,同时确保驾驶行为的安全性。
2020-10-13 cs.RO
Towards Courteous Behavior and Trajectory Planning for Automated Driving
Ulm University(乌尔姆大学);Visteon Corporation(伟世通公司)
高效的行为和轨迹规划是自动驾驶面临的主要挑战之一。特别是交叉口的情况下,是非常苛刻的,由于其复杂性所产生的各种机动的可能性和其他交通参与者。一个关键的挑战是产生优化自我车辆的舒适性和进度的行为,但同时又不会对其他交通参与者过于咄咄逼人。为了保持礼貌行为和轨迹规划的实时的能力,需要最优控制问题的有效形式和相应的求解算法。因此,提出了一种新的规划框架,它考虑了舒适和进步,以及礼貌的行动,在基于图的行为规划模块。利用低级别轨迹生成,可以进一步优化行为结果以获得驾驶舒适性,同时满足整个规划范围内的约束。实验结果表明,该框架具有较好的实用性和实时的性。
2019-07-23 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
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
FaSTrack: a Modular Framework for Fast and Guaranteed Safe Motion Planning
University of California, Berkeley(加州大学伯克利分校)
动力系统快速安全地穿越先验未知的复杂环境对于自治系统的许多应用都是至关重要的。然而,自主系统的轨迹规划是计算密集型的,通常需要简化的动力学,牺牲安全性和动态可行性,以有效地规划。相反,可以使用更复杂的动态模型来计算安全轨迹,但这通常太慢而不能用于实时规划。我们提出了一个新的算法FaSTrack:快速和安全跟踪高维系统。使用简化动力学快速规划的路径或轨迹规划器可以并入FaSTrack框架,该框架为车辆提供安全控制器以及保证的跟踪误差范围。这个界限捕获了由于高维动力学和外部干扰而导致的所有可能的偏差。请注意,FaSTrack是模块化的,可用于大多数当前的路径或轨迹规划器。我们证明了这个框架使用10维非线性四旋翼模型跟踪从RRT规划器获得的3D路径。
2021-02-14 cs.RO
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 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
Adaptive Spatio-Temporal Voxels Based Trajectory Planning for Autonomous Driving in Highway Traffic Flow
University of California, Berkeley(加州大学伯克利分校)
针对高速公路动态车流中静态时空体素可行域难以适应环境变化的问题,提出自适应时空体素轨迹规划方法,在保持二次规划形式的同时实时调整可行域,并在开环与闭环测试中优于现有方法。
2023-10-04 cs.RO
Search-based optimal motion planning for automated driving
Delft University of Technology(代尔夫特理工大学);Graz University of Technology(格拉茨工业大学)
本文提出了一种快速和强大的运动规划,旨在促进自动驾驶的框架。该框架允许实时计算,即使是几百米的视野,从而实现在城市条件下的自动驾驶。这是通过几个功能来实现的。首先,一个方便的几何表示的搜索空间和驾驶约束,使经典的路径规划方法的使用。因此,可以同时处理各种各样的约束(其他车辆、交通灯等)。其次,一个精确的成本去地图,通过解决一个放松的问题,然后使用基于A* 的算法与模型预测味,以计算最佳的运动轨迹。该算法同时考虑了距离和时间范围。该方法是在一个模拟研究与现实的交通场景进行验证。我们证明了该算法的能力,制定计划,在快速和缓慢的驾驶条件下,即使是完全停止是必需的。
2018-08-03 cs.RO
A Survey of Motion Planning and Control Techniques for Self-driving Urban Vehicles
Massachusetts Institute of Technology(麻省理工学院);CTU in Prague(布拉格捷克理工大学)
自动驾驶汽车是一项成熟的技术,有可能通过提高汽车运输的安全性、可达性、效率和便利性来重塑移动性。自动驾驶车辆必须执行的安全关键任务包括通过与其他车辆和行人共享的动态环境规划运动,以及通过反馈控制进行鲁棒执行。本文的目的是调查的规划和控制算法,特别是关于城市设置的当前状态的艺术。选择建议的技术进行审查,以及讨论其有效性。所调查的方法在所使用的车辆机动性模型、对环境结构的假设以及计算要求方面有所不同。本调查中提供的并排比较有助于深入了解所审查方法的优势和局限性,并有助于系统级设计选择。
2016-04-25 cs.RO
Modified RRT* for Path Planning in Autonomous Driving
Indian Institute of Information Technology, Kottayam(印度信息技术学院科塔亚姆分校);National Institute of Technology, Tiruchirappalli(印度国家技术学院蒂鲁吉拉伯利分校)
本文提出两阶段路径规划算法AD-RRT*,结合A*全局规划与角度约束的RRT*改进,解决复杂环境最优路径问题,实验表明其收敛率更高、耗时与节点数更少。
2024-02-19 cs.RO
More Than Meets the Eye? Uncovering the Reasoning-Planning Disconnect in Training Vision-Language Driving Models
S-Lab, Nanyang Technological University, Singapore(南洋理工大学S实验室);College of Computing and Data Science, Nanyang Technological University, Singapore(南洋理工大学计算与数据科学学院)
该研究针对视觉语言驾驶模型中推理是否因果驱动规划的问题,构建DriveMind语料库开展实验,发现推理与规划存在因果脱节,提出解耦假说及免训练诊断工具。
2026-11-10 cs.AI cs.CL cs.RO
Real-Time Trajectory Planning for Autonomous Driving with Gaussian Process and Incremental Refinement
Hong Kong University of Science and Technology(香港科技大学)
动态环境下的实时的【形】运动动力学轨迹规划是自动驾驶的关键,但具有挑战性。在这封信中,我们提出了一个有效的轨迹规划系统,自动驾驶在复杂的动态场景中,通过迭代和增量路径速度优化。利用规划问题的解耦结构,基于高斯过程的路径规划器首先在Frenét坐标系下,考虑静态避障和曲率约束,生成一条弧长连续的参数化路径。我们从理论上证明了它是著名的加加速度最优解的一个很好的推广。提出了一种有效的s-t图搜索方法来寻找沿生成路径的速度分布,以应对动态环境。最后,路径和速度被增量地和迭代地优化,以确保运动动力学的可行性。各种模拟场景的静态障碍物和动态代理验证了我们所提出的方法的有效性和鲁棒性。实验结果表明,我们的方法可以运行在20 Hz。源代码作为开源软件包发布。
2022-05-24 cs.RO
MAP: End-to-End Autonomous Driving with Map-Assisted Planning
Tongji University(同济大学);Graz University of Technology(格拉茨技术大学)
本文提出地图辅助端到端规划框架 MAP,通过显式融合语义地图特征与自车状态,在 DAIR-V2X-seq-SPD 上显著降低位移误差和偏离道路率,并在 CVPR2025 V2X 协作挑战赛 Track 2 中取得第一名。
2025-09-17 cs.AI cs.CV 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
PlanRL: A Trajectory Planning Architecture for Reinforcement Learning-based Driving Experts
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院);Hyundai Motor Company(现代汽车公司)
提出一种将强化学习策略与多项式轨迹规划器结合的轨迹规划架构,通过Frenet坐标系简化道路几何并加入运动学可行性检查,在CARLA基准上驾驶评分提升5%-11%,成功率提升8%-19%。
2026-06-26 cs.RO
Trajectory Planning for Automated Driving in Intersection Scenarios using Driver Models
Ulm University(乌尔姆大学);Visteon Electronics GmbH Germany(德国伟世通电子有限公司)
城市交叉口的有效轨迹规划是目前自主车辆(AV)最具挑战性的任务之一。对其他交通参与者的礼貌行为,AV的舒适性及其在环境中的进展是决定轨迹规划算法性能的关键方面。为了捕捉这些方面,我们提出了一种新的轨迹规划框架,确保社会的遵守,同时优化AV的舒适性受到运动学约束。该框架结合了局部连续优化方法和高效的驾驶员模型,以确保长期快速的行为预测,机动生成和决策。所提出的框架在不同的情况下进行评估,以证明其能力的轨迹和运行时间。
2020-10-07 cs.RO
PaaS: Planning as a Service for reactive driving in CARLA Leaderboard
针对端到端自动驾驶决策黑箱问题,提出PaaS规划模块,在Frenet坐标系下用带可控风格因子的启发式代价函数选最优轨迹,在CARLA排行榜驾驶得分排第三且违规处罚表现更优。
2023-06-14 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
Real-time Mixed-Integer Quadratic Programming for Driving Behavior-Inspired Speed Bump Optimal Trajectory Planning
School of Engineering and Technology(工程科技学院);Vinh University(文大学)
本文提出一种基于MIQP和MPC的自动驾驶轨迹规划方法,通过模拟人类驾驶行为的减速带约束,在保证实时性的同时优化减速带通过和乘客舒适度,并在城市模拟中验证了有效性。
2025-10-10 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
Lane Change Trajectory Planning for Personalized Driving Comfort and Mobility Efficiency
Department of Mechanical Engineering(机械工程系);Department of Electrical Engineering(电气工程系);National University of Singapore(新加坡国立大学);Computer Science(计算机科学);University of Michigan(密歇根大学)
提出一种神经网络驱动的轨迹规划器,结合三阶多项式轨迹生成与学习模块,通过双头共享骨干和基于误差胜者逻辑回归的统计门控机制,实现个性化舒适性与移动效率的平衡。
2026-06-05 cs.AI cs.RO cs.SY
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
Limited Visibility and Uncertainty Aware Motion Planning for Automated Driving
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)
不利的天气条件和城市环境中的遮挡导致感知受损。不确定性在自动车辆的不同模块中处理,范围从传感器水平到情况预测直到运动规划。本文主要研究在具有遮挡的不确定环境模型下的运动规划问题。我们提出了一种方法,以保持碰撞自由的最坏情况下的演变给定的场景。我们定义的标准,衡量可用的利润率的碰撞,同时考虑到可见性和相互作用,并因此集成的条件,将这些标准应用到一个基于优化的运动规划。我们通过在几个不同的城市场景中验证我们的方法的一般性。
2018-10-30 cs.RO
Learning to Segment and Represent Motion Primitives from Driving Data for Motion Planning Applications
Beijing Institute of Technology(北京理工大学);CNRS-UM LIRMM(法国国家科学研究中心-蒙彼利埃大学机器人与微电子实验室)
开发能够执行类似人类动作的智能车辆需要能够从大量自然驾驶数据中学习基本驾驶技能。如果能将复杂的驾驶任务分解为运动基元来表示驾驶技能的基本组成,则算法将变得高效。因此,本文的目的是将未标记的轨迹数据分割成运动基元库。通过应用基于迭代期望最大化算法的概率推理,我们的方法在学习由动态运动基元表示的一组运动基元的同时对收集到的轨迹进行分段。该方法利用运动基元的分割和表示与基于驾驶的初始分割之间的相互依赖性。利用这种相互依赖性和初始条件,本文提出了如何提高分割和运动基元库建立的性能。我们还评估了原始表示方法对模仿学习和运动规划算法的适用性。利用北京理工大学智能汽车平台采集的驾驶数据对模型进行了训练和验证。实验结果表明,该方法可以在找到合适的分割点的同时建立运动基元库。
2018-09-17 cs.RO
Tackling Existence Probabilities of Objects with Motion Planning for Automated Urban Driving
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)
运动规划器将关于环境的不确定信息作为输入。环境信息通常是相当嘈杂的,并且具有包含假阳性目标检测的趋势。最先进的运动规划者对所有物体的考虑都是一样的,因此产生了过于谨慎的行为。在本文中,我们提出了一种规划方法,认为在一个组合的方式替代演习和计划的运动,形成这些替代品的概率。该规划器可以顺利地对存在概率低的对象作出反应,同时保持无碰撞的情况下,他们的存在证实。通过这种方式,它可以容忍感知和预测产生的故障,从而减少它们对操作可靠性的影响。
2020-10-21 cs.RO
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
Corner Cases: Headland Coverage Path Planning for Autonomous Driving in Arable Farming
Technical University of Munich(慕尼黑工业大学);Munich Institute of Robotics and Machine Intelligence(慕尼黑机器人与机器智能研究所)
该研究针对农田自动驾驶地头覆盖路径规划问题,提出修改多边形角落以实现倒车转向的新方法,在特定角度角落覆盖效果优于现有方法,适用性经真实田地图验证。
2026-09-04 cs.RO
A Modular Framework for Motion Planning using Safe-by-Design Motion Primitives
University of Toronto(多伦多大学);University of Toronto Institute for Aerospace Studies(多伦多大学航空航天研究所)
该文提出一种模块化运动规划框架,利用安全设计运动原语和机动自动机约束,结合高低层反馈策略,实现多机器人鲁棒运动规划,并在四旋翼上验证。
2019-05-01 cs.RO cs.SY eess.SY
FaSTrack: a Modular Framework for Real-Time Motion Planning and Guaranteed Safe Tracking
Simon Fraser University(西蒙菲莎大学);Princeton University(普林斯顿大学);University of Melbourne(墨尔本大学);California Institute of Technology(加州理工学院)
实时的【形】有保证的安全轨迹规划对于未知环境中的导航至关重要。然而,实时的【形】导航算法通常为了计算速度而牺牲鲁棒性。可替代地,可证明安全的轨迹规划对于实时的【形】重新规划而言往往是计算密集型的。我们提出了快速和安全的跟踪,一个框架,实现了实时的【形】重新规划和保证安全。在这个框架中,通过允许任何轨迹规划器使用系统的简化\textit{planning model}来实现实时的【形】计算。该计划由系统跟踪,由更真实、更高维的\textit{tracking model}表示。我们预先计算的跟踪误差界(TEB)由于两个模型之间的不匹配,由于外部干扰。我们还得到了相应的跟踪控制器用于停留在TEB。预先计算不需要环境的先验知识。我们使用Hamilton-Jacobi可达性进行预计算,并使用三种不同的跟踪规划模型对进行三种不同的实时的【形】轨迹规划。
2021-03-13 cs.RO math.OC
Analysis of a Modular Autonomous Driving Architecture: The Top Submission to CARLA Leaderboard 2.0 Challenge
本文分析 CARLA Leaderboard 2.0 冠军方案 Kyber-E2E,采用感知、定位、检测、跟踪预测和规划控制五模块架构,结合语言辅助感知与逆强化学习提升规划可靠性,并探讨各组件对整体性能的影响。
2024-03-21 cs.AI
Interaction-Aware Trajectory Prediction for Safe Motion Planning in Autonomous Driving: A Transformer-Transfer Learning Approach
National University of Singapore(新加坡国立大学);Delft University of Technology(代尔夫特理工大学);Southeast University(东南大学)
针对自动驾驶中忽略人驾车辆交互的问题,提出基于Transformer-迁移学习的交互感知轨迹预测器,并引入不确定性量化方法,实验证明其有效提升安全运动规划。
2024-11-03 cs.RO
Safe learning-based optimal motion planning for automated driving
Virtual Vehicle Research Center(虚拟车辆研究中心);University of Sarajevo(萨拉热窝大学);Graz University of Technology(格拉茨工业大学)
本文介绍了初步的工作学习搜索启发式的最佳运动规划自动驾驶在城市交通。以前的工作考虑基于搜索的最佳运动规划框架(SBOMP),利用数值或基于模型的算法,不考虑动态障碍。由于动态障碍物只会增加成本,因此仍然保证最优解。然而,观察到的搜索效率的显着变化取决于是否存在动态障碍。本文介绍了机器学习(ML)的启发式,考虑到动态障碍,从而增加了性能的一致性,实现实时实施。
2018-06-13 cs.LG cs.RO stat.ML
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
OpenSCvx: An Open-Source Modular and Extensible Nonlinear Trajectory Planning Package
University of Washington(华盛顿大学);General Robotics(通用机器人公司);University of California, Berkeley(加州大学伯克利分校);Zoox(Zoox公司)
该研究介绍开源Python框架OpenSCvx,它通过符号建模接口简化轨迹优化问题的构建与求解,支持连续时间约束等功能,助力快速开发与扩展轨迹优化方法。
2026-08-25 cs.RO math.OC
An Autonomous Driving Framework for Long-term Decision-making and Short-term Trajectory Planning on Frenet Space
University of California, Santa Cruz(加州大学圣克鲁兹分校)
在本文中,我们提出了一个层次结构的决策和规划的高速公路驾驶任务。我们利用智能驾驶模型(IDM和MOBIL)根据自我周围的交通状况生成长期决策。这些决定既能最大限度地提高自我性能,又能尊重其他车辆的目标。短期轨迹优化是在Frenet空间上进行的,以使计算对道路的三维曲率不变。针对运动障碍物,提出了一种新的基于Frenet框架的避障方法.优化探索驾驶走廊,以生成时空多项式轨迹,安全地通过交通导航,并服从BP命令。该框架还引入了一个启发式管理程序,用于识别意外情况,并在潜在紧急情况下重新计算每个模块。CARLA仿真实验表明,该框架在实现符合人类行为的各种驾驶风格方面具有潜力和可扩展性。
2020-11-26 cs.RO cs.SY eess.SY
NaviDriveVLM: Decoupling High-Level Reasoning and Motion Planning for Autonomous Driving
J. Mike Walker ’66 Department of Mechanical Engineering, Texas A&M University, College Station, TX 77843, USA(杰米·沃克’66机械工程系,德克萨斯A&M大学,学院站,TX 77843,美国);The Department of Engineering Technology and Industrial Distribution Texas A&M University, College Station, TX 77843, USA(工程技术与工业分配系,德克萨斯A&M大学,学院站,TX 77843,美国)
NaviDriveVLM通过解耦高层推理与运动规划,提升自动驾驶中的推理能力与效率
2026-03-09 cs.LG cs.RO
Real-Time Unified Trajectory Planning and Optimal Control for Urban Autonomous Driving Under Static and Dynamic Obstacle Constraints
University of Waterloo(滑铁卢大学)
轨迹规划和控制在历史上被分为自动驾驶堆栈中的两个模块。轨迹规划侧重于更高级别的任务,如避开障碍物和停留在路面上,而控制器则尽最大努力遵循不断变化的参考轨迹。我们认为,这种分离是(1)有缺陷的,由于规划的轨迹和控制器可以可行地执行,(2)不必要的,由于模型预测控制(MPC)范例的灵活性之间的不匹配。相反,在本文中,我们提出了一个统一的MPC为基础的轨迹规划和控制方案,保证可行性方面的道路边界,静态和动态环境,并强制执行乘客的舒适性约束。该计划进行了严格的评估,在各种情况下,重点是证明最优控制问题(OCP)的设计和实时的【形】解决方案的有效性。原型代码将在https://github.com/WATonomous/control上发布。
2022-09-19 cs.RO cs.SY eess.SY
Integration of Reinforcement Learning Based Behavior Planning With Sampling Based Motion Planning for Automated Driving
Robert Bosch GmbH(罗伯特·博世有限公司);Ulm University(乌尔姆大学)
提出一种将深度强化学习策略用于高层行为规划并结合现有运动规划算法生成轨迹的方法,通过真实车辆实验和仿真分析验证了其在缩小仿真到现实差距及处理复杂多智能体机动方面的潜力。
2023-04-17 cs.LG cs.RO
Trajectory Planning for Automated Driving using Target Funnels
BMW Group(宝马集团)
本文针对噪声感知下自动驾驶轨迹规划不稳定问题,提出基于目标漏斗的预测规划算法,融合道路概率信息,在保持跟踪精度的同时将输入代价降低56%。
2025-03-31 cs.RO cs.SY eess.SY
Sampling for Model Predictive Trajectory Planning in Autonomous Driving using Normalizing Flows
IEEE
本文提出基于归一化流的采样方法,用于提高自动驾驶轨迹规划的效率和探索能力。
2026-02-06 cs.LG cs.RO
A Survey of Reinforcement Learning-Based Motion Planning for Autonomous Driving: Lessons Learned from a Driving Task Perspective
College of Automotive and Energy Engineering, Tongji University(同济大学汽车与能源工程学院);Key Laboratory of Road and Traffic Engineering of the Ministry of Education, Tongji University(教育部道路与交通工程重点实验室);Department of Aerospace Engineering, University of Michigan(密歇根大学航空航天工程系);Hagler Institute for Advanced Study, Texas A&M University(德克萨斯大学A&M分校哈格勒先进研究学院)
综述基于强化学习的自动驾驶运动规划,先概述强化学习方法基础,再调研其在运动规划中的应用,分析特定场景特征与任务要求,总结关键设计经验并为未来实施提供指导,还探讨前沿挑战及应对策略。
2026-07-07 cs.LG cs.RO
Integrated Decision Making and Trajectory Planning for Autonomous Driving Under Multimodal Uncertainties: A Bayesian Game Approach
The Hong Kong University of Science and Technology(香港科技大学)
提出基于贝叶斯博弈的自动驾驶集成决策与轨迹规划框架,通过无悔学习求解贝叶斯粗相关均衡,在多模态不确定性下实现交互式最优策略,闭环仿真验证了其泛化性与有效性。
2024-09-21 cs.GT cs.RO