自动驾驶

Self-Driving Vehicle Verification Towards a Benchmark

自动驾驶车辆验证：一个基准

Nima Roohi, Ramneet Kaur, James Weimer, Oleg Sokolsky, Insup Lee

机构 * University of Pennsylvania（宾夕法尼亚大学） 纠错

专题命中 仿真评测 ：self-driving(title)；分类 cs.RO

AI总结 本文提出一个简单的形式化模型用于自动驾驶车辆，尽管经过简化后其安全性已手动证明，但目前尚无自动形式化验证工具支持其动态特性，旨在为形式化验证工具提供挑战。

Comments 7 pages

DiffAero: A GPU-Accelerated Differentiable Simulation Framework for Efficient Quadrotor Policy Learning

DiffAero: 一种用于高效四旋翼策略学习的GPU加速可微分仿真框架

Xinhong Zhang, Runqing Wang, Yunfan Ren, Jian Sun, Hao Fang, Jie Chen, Gang Wang

机构 * State Key Lab of Autonomous Intelligent Unmanned Systems, Beijing Institute of Technology（自主智能无人系统国家重点实验室，北京理工大学） ； Zhongguancun Academy（中关村academy） ； Department of Mechanical Engineering, University of Hong Kong（香港大学机械工程系） ； Harbin Institute of Technology（哈尔滨工业大学） 纠错

专题命中 仿真评测 ：LiDAR(abstract,abstract_cn)；分类 cs.RO、cs.AI

AI总结 提出DiffAero，一种轻量级、GPU加速且完全可微的仿真框架，通过并行化物理与渲染实现高效四旋翼控制策略学习，并在消费级硬件上数小时内训练出鲁棒策略。

Comments 8 pages, 11 figures, 1 table

MineXplore: An Open-Source Reinforcement Learning Exploration Benchmark for GNSS-Denied Underground Environment

MineXplore: 面向GNSS拒止地下环境的开源强化学习探索基准

Abhishek S, Badrikanath Praharaj, Sreeram MV

机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） 纠错

专题命中 仿真评测 ：LiDAR(abstract,abstract_cn)；分类 cs.RO

AI总结 提出基于真实矿井数据的开源MuJoCo导航基准MineXplore，通过六阶段管道重建隧道网络，验证了在GNSS拒止、光照退化等极端条件下策略学习的稳定性与可复现性。

Comments 7 pages,11 figures, Submitted to the workshop Xplore:Cross-Disciplinary aspects of Exploration in Robotics, Reinforcement Learning and Search Held at International Conference on Robotics and Automation (ICRA)

DVGT: Driving Visual Geometry Transformer

DVGT: 驾驶视觉几何变换器

Sicheng Zuo, Zixun Xie, Wenzhao Zheng, Shaoqing Xu, Fang Li, Shengyin Jiang, Long Chen, Zhi-Xin Yang, Jiwen Lu

机构 * Tsinghua University（清华大学） ； University of Macau（澳门大学） ； Xiaomi EV（小米电动车） ； Peking University（北京大学） 纠错

专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.RO、cs.CV、cs.AI

AI总结 提出DVGT，一种从无位姿多视角图像序列重建全局稠密3D点图的视觉几何变换器，通过交替注意力机制学习几何关系，无需相机参数和后处理对齐，在多个驾驶数据集上显著优于现有模型。

Comments Code is available at https://github.com/wzzheng/DVGT

X4Val: Learning Neural Surrogates for Variance-Reduced Policy Evaluation

X4Val: 学习方差缩减策略评估的神经代理模型

Rachel Luo, Michael Watson, Apoorva Sharma, Heng Yang, Han Qi, Edward Schmerling, Sushant Veer, Boris Ivanovic, Marco Pavone

机构 * NVIDIA Research（NVIDIA研究院） ； Harvard University（哈佛大学） ； Stanford University（斯坦福大学） 纠错

专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.RO

AI总结 提出X4Val框架，通过嵌入多域数据并学习可迁移预测器，结合控制变量估计器实现无配对样本下的方差缩减，在自动驾驶和机器人操作任务中方差降低达38.4%。

Game-Theoretic Modeling of Multi-Vehicle Interactions at Uncontrolled Intersections

多车辆在无信号交叉口交互的博弈建模

Nan Li, Yu Yao, Ilya Kolmanovsky, Ella Atkins, Anouck Girard

机构 * Robotics Institute, University of Michigan（密歇根大学机器人研究所） 纠错

专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.RO

AI总结 本文提出了一种基于博弈论的框架，用于建模自动驾驶和人工驾驶车辆在无信号交叉口的交互行为，通过参数化交叉口布局和几何结构，展示了模型在交通场景中的合理性和计算效率。

Comments 18 pages, 13 figures, 1 table

Simulation-based Adversarial Test Generation for Autonomous Vehicles with Machine Learning Components

基于模拟的对抗性测试生成用于自动驾驶车辆的机器学习组件

Cumhur Erkan Tuncali, Georgios Fainekos, Hisahiro Ito, James Kapinski

机构 * Toyota Research Institute of North America（丰田北美研究院） ； Arizona State University（亚利桑那州立大学） 纠错

专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.AI

AI总结 本文提出了一种基于模拟的对抗性测试生成框架，用于评估包含机器学习组件的自动驾驶系统模型的闭环属性，通过测试用例生成和自动失效方法提高系统可靠性。

Comments This is a modified version of a paper presented at the 29th IEEE Intelligent Vehicles Symposium (IV 2018). Source code is available at https://cpslab.assembla.com/spaces/sim-atav

Satyam: Democratizing Groundtruth for Machine Vision

Satyam: 机器视觉领域地面真实数据的民主化

Hang Qiu, Krishna Chintalapudi, Ramesh Govindan

机构 * University of Southern California（南加州大学） ； Microsoft Research（微软研究院） 纠错

专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.CV

AI总结 本文提出Satyam系统，通过简化流程使非专业人员能够高效收集机器视觉的地面真实数据，从而提升自动驾驶、交通监控和视频监控系统的性能。

The CAT Vehicle Testbed: A Simulator with Hardware in the Loop for Autonomous Vehicle Applications

CAT车辆测试平台：用于自动驾驶应用的具有闭环硬件的模拟器

Rahul Kumar Bhadani, Jonathan Sprinkle, Matthew Bunting

机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） ； University of Arizona（亚利桑那大学） ； Tucson, USA（美国图森市） 纠错

专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.RO

AI总结 本文提出CAT车辆测试平台，通过闭环硬件模拟验证仿真结果，支持自动驾驶技术研究。平台基于ROS和物理车辆模型，支持多车交互和实时数据回放，可快速验证算法性能。

Comments In Proceedings SCAV 2018, arXiv:1804.03406

Journal ref EPTCS 269, 2018, pp. 32-47

Zero-Shot Autonomous Vehicle Policy Transfer: From Simulation to Real-World via Adversarial Learning

零样本自动驾驶策略转移：通过对抗学习从仿真到现实世界

Behdad Chalaki, Logan E. Beaver, Ben Remer, Kathy Jang, Eugene Vinitsky, Alexandre M. Bayen, Andreas A. Malikopoulos

专题命中 仿真评测 ：autonomous driving(abstract)

AI总结 本文提出了一种零样本方法，通过对抗多智能体强化学习将自动驾驶策略从仿真环境转移到德雷克塞尔大学的缩放智能城市，展示了对抗训练在提高策略稳定性和鲁棒性方面的有效性。

Comments 6 pages, 4 figures

Journal ref IEEE International Conference on Control & Automation, (2020), 35-40

Bayesian Persuasive Driving

贝叶斯说服驾驶

Cheng Peng, Masayoshi Tomizuka

专题命中 仿真评测 ：autonomous driving(abstract)

AI总结 本文提出了一种基于优化的贝叶斯说服驾驶算法，通过 ego 车辆向周围车辆发送信息以改变其对世界状态的后验信念，从而在降低双方成本的同时提高自动驾驶质量和整体驾驶环境。

Comments 8 pages, 10 figures, submitted to ACC 2019 conference

Towards Secure and Safe Appified Automated Vehicles

面向安全和安全的Appified自动驾驶车辆

Yunhan Jack Jia, Ding Zhao, Qi Alfred Chen, Z. Morley Mao

专题命中 仿真评测 ：self-driving(abstract)

AI总结 本文提出Appified自动驾驶平台概念，旨在通过AVGuard设计框架提升安全性，为开放自动驾驶平台提供设计指南。

A benchmark for data-based office modeling: challenges related to CO$_2$ dynamics

基于数据的办公室建模基准：与CO₂动态相关的挑战

Riccardo Sven Risuleo, Marco Molinari, Giulio Bottegal, Håkan Hjalmarsson, Karl H. Johansson

专题命中 仿真评测 ：occupancy(abstract)

AI总结 本文提出一个包含合成测量数据的基准，用于测试数据驱动建模技术，重点解决基于CO₂浓度估计占用率的挑战。

Comments 14 pages, accepted for publication to IFAC SysId 2015