Dec, 2023

自动驾驶车辆在全自动和混合交通条件下的开发与评估

PDF
TL;DR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。
autonomous vehicleav technologyinteractionv2v communicationsafety
发现论文，激发创造
  • 自动驾驶汽车的社会兼容行为设计及真实人类数据验证

    本文介绍了一个基于不确定性感知的集成预测和规划框架，在考虑人的礼貌及预测不确定性的同时生成安全有效的 AV 行为。研究表明，该算法可以明显提高生成行为的人类感，同时还发现人类驾驶员在道路上表现出很大的礼貌，即使对于没有优先权的其他人行驶者，而且这种驾驶偏好在不同文化中存在显著差异。

    Oct, 2020

  • 自动驾驶中驾驶员干预行为分析 —— 一种融入 VR 的方法

    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

  • 自动驾驶车辆安全性：基于模型与基于人工智能两种方法的调查

    本文调查研究自动驾驶汽车的安全性保障问题，重点关注控制架构、风险评估与管理策略、基于人工智能和基于模型的方法的研究，并探讨了安全保障技术和安全框架的标准化 / 概括方法。

    May, 2023

  • 自动驾驶车辆的协作感知换道方法

    本文提出一种基于驾驶车辆间互动的车道变换方法，其中采用交互轨迹预测方法探索 AV 和其他车辆之间的可能协作。此外，本文设计了一种综合考虑安全、效率和舒适度的评估以做出车道变换决策，并提出了一种基于模型预测控制（MPC）的运动规划算法，以协调 AV 的决策和周围车辆的交互行为，从而避免车道变换过程中发生碰撞。定量测试结果显示，相较于没有交互预测的方法，本文的方法将 AV 和其他车辆的驾驶效率分别提升了 14.8% 和 2.6%，表明恰当利用车辆之间的互动可以有效减少 AV 的保守性并促进与其他车辆之间的协作。

    Jan, 2022

  • 人本自动驾驶系统：有效共享自主性原则

    本文提出了一组使用人性化方式设计和构建自动驾驶车辆的原则，旨在应对自动驾驶车辆必须与人类进行互动这一挑战，并通过以人为中心的方法来解决该问题。并通过开发以人为中心的自主驾驶汽车 (HCAV) 为例，说明实现这些原则的方法。

    Oct, 2018

  • 与行人交互的自主车辆：理论与实践综述

    研究了自动驾驶汽车在城市环境中行驶面临的主要挑战以及解决方案，包括与行人的交互问题，通过调查研究现有的行人行为研究，提出解决方案包括与行人通信的设计方法和针对理解行人意图的视觉感知和推理算法，同时讨论了未来的研究方向。

    May, 2018

  • 面向混合交通中的安全自主性：通过信息共享检测人类驾驶员的不可预测异常行为

    通过有效融合周围自动驾驶车辆共享的实时信息，我们提出了一种既能显著提高轨迹预测又能准确快速检测异常人工驾驶模式切换或异常驾驶行为的高效算法，以验证我们的算法，我们首先在 NGSIM 和 Argoverse 数据集上评估了我们的轨迹预测器，证明了我们的预测器优于基线方法。然后通过在 SUMO 模拟器上进行大量实验，我们展示了我们的算法在高速公路和城市交通中具有出色的检测性能，最佳性能达到 97.3% 的检测率、1.2 秒的平均检测延迟和 0 误报。

    Aug, 2023

  • 混合交通中的联网自动驾驶车辆：学习人类驾驶员行为以实现有效的匝道并入

    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

  • 通过知识共享和个性化学习自动驾驶车辆的驾驶员模型

    使用知识分享和个性化的方式描述了一种学习自动驾驶车辆（AVs）驾驶模型的框架，该模型在多个车辆之间进行知识分享，以提高其在真实世界中驾驶场景的暴露度。该方法通过共同训练一个驾驶模型，同时保留针对每个车辆独特条件和特性的个性化模型，实现了多个车辆之间的协作而无需共享原始数据。该方法在实验模拟中展示了出色的性能，适用于智能交通系统、交通管理和车辆之间的通信等多个交通工程应用领域。

    Aug, 2023

  • 超越模拟驾驶员：评估混合交通控制中实际车辆跟随的影响

    人工驱动车辆导致交通拥堵，增加燃油消耗、碰撞风险和减少容量利用率。本研究通过分析真实世界中的人类驾驶轨迹，提取了在车跟随过程中的加速行为，并将这些行为与之前研究中的自动驾驶车辆结合起来，以减少拥堵并评估其安全性、效率和稳定性。此外，还引入了基于强化学习的自动驾驶车辆，利用拥堵阶段分类神经网络来优化 “安全 + 稳定” 或 “效率”，并在不同密度、配置和渗透率的混合交通控制环境中进行评估，并与现有的自动驾驶车辆进行比较。

    Nov, 2023