自动驾驶车辆的编队技术有潜力提高公路上的安全性和燃油效率。本论文介绍了一种用于学习分布式稳定安全控制器的算法，该算法依赖于最近在神经网络稳定性和安全证书方面的发展。通过在仿真和 100 辆车的编队中评估，实验结果表明了该算法和学习控制器的实用性，通过与线性反馈和分布式模型预测控制器的性能进行比较。

Apr, 2024

通过车辆之间的协作自主驾驶和车辆间通信，以车队行驶为应用场景，在城市环境中使用深度强化学习和物理模拟技术，实现了交通流量和安全的提升。

Dec, 2023

自主驾驶车队展现中短期机会以提高运营效率和挽救生命。本文介绍了一个可以评估和基准测试装载传感器的 1/10 比例车辆车队算法的测试平台，通过对典型车队场景进行变速的参考轨迹跟踪的实验，评估了线性反馈和两种分布式模型预测控制算法，并验证了算法的性能随车队规模增加而增加，结果表明分布式模型预测控制算法在硬件和仿真中优于线性反馈。

Feb, 2024

本研究提出了一种基于深度强化学习的自适应编队交叉口控制模型，该模型采用第一到达优先策略和深度 Q 算法来决定车辆通行的优先级和最佳编队大小，该模型相较于现有方法在旅行效率和燃油节省方面表现出卓越的性能。

Jun, 2022

使用先进的人类驾驶车辆模型和高斯过程学习相结合的方法来预测人类驾驶车辆的行为，并利用该模型开发了一种增强型模型预测控制策略，以提高混合车辆编队的安全性和运行效率。

Apr, 2024

本文提出了一种基于人工智能的 Koopman 方法来模拟未知的非线性车队动力学，以同时保持物理分析性，并通过深度学习框架和线性动力系统分析平台来提高建模精度和解释性。

Jun, 2024

本研究提出了一种基于条件性模仿学习算法和概率框架的自动驾驶决策方法，可用于导航、行人和其他路上的车辆预测，使用车载传感器信息生成多个实现路径，实现良好的性能和计算效率。

Mar, 2020

我们提出了一种新颖的 “CAV-AHDV-CAV” 车辆跟随框架，该框架将两辆 CAV 之间的 HDV 序列视为一个单一实体，消除了个体驾驶员行为的噪声。通过对车辆平衡状态的分析和采用一种状态融合策略，我们的深度强化学习方法在多样化的数据集上进行训练和测试，包括超过 70,000 个车辆跟随实例，超越基线模型在避免碰撞、与前后车辆保持平衡以及实现最低时间间隔标准差等方面的效果。这些结果证明了我们的方法在开发混合交通的强健 CAV 控制策略方面的有效性，我们的模型有潜力减轻交通振荡，提高交通流效率并增强整体安全性。

Jun, 2024

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

自动驾驶系统在复杂驾驶环境中导航是困难的，该论文提出了一种增强的运动规划方法，利用周围人类驾驶车辆的驾驶行为和长期轨迹来改善自动驾驶系统的驾驶安全性。

Aug, 2023