意图感知自动驾驶:高速公路并线场景案例研究
通过包含社会行为和驾驶员个人目标的行为模型,利用贝叶斯滤波和对于不明确意图的附近车辆行为的预测,开发了一种基于滑动时域控制的决策策略,以在线估计其他驾驶员的意图。通过与博弈论控制器和真实世界交通数据集的模拟研究进行比较,验证了所提出的决策策略的有效性。
Sep, 2023
在自动驾驶车辆与其他道路参与者的交互中,应当考虑到不同驾驶员的合作水平以及车辆所处的位置,本文提出的基于多智能体强化学习的交互感知决策方法能够在合并场景下自适应地与其他参与者协商行驶方案,并且可以自动推断其他驾驶员的行为并作出策略性决策。
Apr, 2019
本篇论文提出了一种自动驾驶的决策方法,采用了 POMDP 和 Monte Carlo tree search 等方法对车辆在道路上的交互进行建模和规划,实现了高质量的行驶决策。
Mar, 2023
该论文提出了一种学习连接和自动化车辆 (CAV) 与进入匝道的人驾驶车辆 (HDV) 进行安全控制的方法,使用高度信息状态模型,学习了混合交通情况下 HDV 的行为,并生成安全控制策略,然后在 CAV 与 HDV 交互的模拟场景中进行了验证。
Apr, 2023
本文提出了一种针对行人和自动驾驶汽车在无红绿灯的过街场景中交互的白盒意图感知决策方法,并提供了一个设计框架。作者采用黑盒意图检测和白盒决策的混合方法实现了类人行为和预防死锁,此方法计算量低并能考虑不同的行人行为。
Mar, 2023
该研究开发了一种能够利用 LiDAR 传感器产生的 3D 点云和环境动态地图的多任务模型,以识别其他交通参与者的意图,并实现减少自动驾驶应用程序反应时间的目的,与分离模块相比达到更高的准确性和节省计算资源。
Jan, 2021
自主车辆在交通中需要与人类驾驶员互动来完成任务,因此装备自主车辆具备人工推理以更好地理解周围交通的意图,从而促进任务完成。本文提出了一种行为模型,将驾驶员的互动意图编码为潜在的社会心理参数,并设计了基于贝叶斯滤波器的递进视界优化控制器以考虑互动驾驶员意图的不确定性,同时采用基于注意机制的神经网络架构来模仿行为模型和在线估计参数先验,并提出决策树搜索算法在线解决决策问题。本文对所提出的行为模型进行了真实世界轨迹预测能力的评估,并在模拟环境和真实世界交通数据集中进行了强制公路合并场景的决策模块的广泛评估,结果表明我们的算法能够在各种交通条件下完成强制合并任务并确保驾驶安全。
Oct, 2023
该研究通过实施虚拟现实和交通微模拟集成的实验环境,并在典型和多样化的交通场景下进行测试,提出了驾驶员介入行为的新视角,从而改善自动驾驶在类似情景下的表现,并为人与自动化系统之间的信任关系研究提供了有价值的综合与沉浸式工具。
Dec, 2023
本文提出了一种基于深度神经网络的语义意图和运动预测(SIMP)方法,该方法使用语义定义的车辆行为来适应任何驾驶场景,结合分类意向和运动信息准确地预测自动驾驶车辆的行驶路径。
Apr, 2018
自动驾驶汽车技术快速发展,对道路交通安全产生了重大影响,同时也解决了多种复杂的交通问题。为了确保自动驾驶汽车之间以及自动驾驶汽车与人类驾驶员之间的合作互动,本研究提出了一个多阶段的方法,采用共享和关怀的车对车通信策略来加强协同行为。通过进行一项调查来验证自动驾驶汽车的驾驶性能,并可用于一个混合交通案例研究,重点研究人类驾驶员如何对待与他们同时驾驶在同一条道路上的自动驾驶汽车。研究结果表明,采用深度强化学习,自动驾驶车辆获得了接近人类驾驶性能的驾驶行为。在自动驾驶汽车网络中采用共享和关怀的车对车通信可以提高其驾驶行为,促进更有效的行动计划,并增进自动驾驶汽车之间的合作行为。调查结果显示,无法保证混合交通中的安全性,因为我们无法控制人类驾驶员出于自我的行为,如果他们决定与自动驾驶汽车竞争。因此,本研究倡导加强对自动驾驶汽车在公共道路上安全融入的研究。
Dec, 2023