高速公路飞行员辅助已成为先进驾驶员辅助系统的前线。对安全和用户验收的提高要求正在呼吁在此类系统的开发过程中进行个性化。通过对横向对驾驶员的偏好进行了启发的启发，提出了一种个性化的公路导频辅助算法，其包括基于智能驱动器模型（IDM）的速度控制模型和考虑领先的车辆横向的新车道保持模型。移动。进行了模拟驾驶实验，以分析自由驾驶和行驶场景中的驾驶员凝视和泳道保持行为。驱动程序集中成两个驾驶样式组，指的是其受前方车辆影响的驾驶行为，然后优化每个特定主题驱动程序的个性化参数。通过基于移动基础模拟器的驾驶员实验验证了所提出的算法。结果表明，与未个性化算法相比，个性化公路试点算法可以显着降低心理工作量，并提高用户接受辅助功能。

Traffic jams occurring on highways cause increased travel time as well as increased fuel consumption and collisions. Traffic jams without a clear cause, such as an on-ramp or an accident, are called phantom traffic jams and are said to make up 50% of all traffic jams. They are the result of an unstable traffic flow caused by human driving behavior. Automating the longitudinal vehicle motion of only 5% of all cars in the flow can dissipate phantom traffic jams. However, driving automation introduces safety issues when human drivers need to take over the control from the automation. We investigated whether phantom traffic jams can be dissolved using haptic shared control. This keeps humans in the loop and thus bypasses the problem of humans' limited capacity to take over control, while benefiting from most advantages of automation. In an experiment with 24 participants in a driving simulator, we tested the effect of haptic shared control on the dynamics of traffic flow, and compared it with manual control and full automation. We also investigated the effect of two control types on participants' behavior during simulated silent automation failures. Results show that haptic shared control can help dissipating phantom traffic jams better than fully manual control but worse than full automation. We also found that haptic shared control reduces the occurrence of unsafe situations caused by silent automation failures compared to full automation. Our results suggest that haptic shared control can dissipate phantom traffic jams while preventing safety risks associated with full automation.

为连接和自动化车辆（CAVS）开发安全性和效率应用需要大量的测试和评估。在关键和危险情况下对这些系统运行的需求使他们的评估负担非常昂贵，可能危险且耗时。作为替代方案，研究人员试图使用仿真平台研究和评估其算法和设计。建模驾驶员或人类操作员在骑士或其他与他们相互作用的车辆中的行为是此类模拟的主要挑战之一。虽然为人类行为开发完美的模型是一项具有挑战性的任务和一个开放的问题，但我们展示了用于驾驶员行为的模拟器中当前模型的显着增强。在本文中，我们为混合运输系统提供了一个模拟平台，其中包括人类驱动和自动化车辆。此外，我们分解了人类驾驶任务，并提供了模拟大规模交通情况的模块化方法，从而可以彻底研究自动化和主动的安全系统。通过互连模块的这种表示形式提供了一个可以调节的人解剖系统，以代表不同类别的驱动程序。此外，我们分析了一个大型驾驶数据集以提取表达参数，以最好地描述不同的驾驶特性。最后，我们在模拟器中重新创建了类似密集的交通情况，并对各种人类特异性和系统特异性因素进行了彻底的分析，研究了它们对交通网络性能和安全性的影响。

显微镜交通模拟为自动驾驶汽车（AVS）提供了可控，可重复且有效的测试环境。为了公正地评估AVS的安全性能，在模拟自然主义驾驶环境（NDE）中，环境统计数据的概率分布必须与现实世界中驾驶环境的统计数据一致。但是，尽管人类驾驶行为已经在运输工程领域进行了广泛的研究，但大多数现有模型都是用于交通流量分析的，而无需考虑驾驶行为的分布一致性，这可能会导致AV测试的重大评估偏见。为了填补这一研究差距，本文提出了分布一致的NDE建模框架。使用大规模的自然驾驶数据，获得了经验分布，以在不同条件下构建随机的人类驾驶行为模型。为了解决仿真过程中的误差积累问题，进一步设计了一种基于优化的方法来完善经验行为模型。具体而言，车辆状态的演变被建模为马尔可夫链，其固定分布被扭曲以匹配现实世界驾驶环境的分布。在多车道高速公路驾驶模拟的案例研究中评估了该框架，其中验证了生成的NDE的分布精度，并有效地评估了AV模型的安全性能。

最近，自主驾驶社会上有许多进展，吸引了学术界和工业的很多关注。然而，现有的作品主要专注于汽车，自动驾驶卡车算法和模型仍然需要额外的开发。在本文中，我们介绍了智能自动驾驶卡车系统。我们所呈现的系统由三个主要组成部分组成，1）一个现实的交通仿真模块，用于在测试场景中产生现实的交通流量，2）设计和评估了在现实世界部署中模仿实际卡车响应的高保真卡车模型，3 ）具有基于学习的决策算法和多模轨迹策划仪的智能计划模块，考虑到卡车的约束，道路斜率变化和周围的交通流量。我们为每个组分单独提供定量评估，以证明每个部件的保真度和性能。我们还将我们的建议系统部署在真正的卡车上，并进行真实的世界实验，表明我们的系统能力缓解了SIM-TO-REAL差距。我们的代码可以在https://github.com/inceptioresearch/iits提供

一般而言，融合是人类驱动因素和自治车辆的具有挑战性的任务，特别是在密集的交通中，因为合并的车辆通常需要与其他车辆互动以识别或创造间隙并安全合并。在本文中，我们考虑了强制合并方案的自主车辆控制问题。我们提出了一种新的游戏 - 理论控制器，称为领导者跟随者游戏控制器（LFGC），其中自主EGO车辆和其他具有先验不确定驾驶意图的车辆之间的相互作用被建模为部分可观察到的领导者 - 跟随游戏。 LFGC估计基于观察到的轨迹的其他车辆在线在线，然后预测其未来的轨迹，并计划使用模型预测控制（MPC）来同时实现概率保证安全性和合并目标的自我车辆自己的轨迹。为了验证LFGC的性能，我们在模拟和NGSIM数据中测试它，其中LFGC在合并中展示了97.5％的高成功率。

最近的自动驾驶汽车（AV）技术包括机器学习和概率技术，这些技术为传统验证和验证方法增添了重大复杂性。在过去的几年中，研究社区和行业已广泛接受基于方案的测试。由于它直接关注相关的关键道路情况，因此可以减少测试所需的努力。编码现实世界流量参与者的行为对于在基于方案的测试中有效评估正在测试的系统（SUT）至关重要。因此，有必要从现实世界数据中捕获方案参数，这些参数可以在模拟中实际建模。本文的主要重点是确定有意义的参数列表，这些参数可以充分建模现实世界改变场景。使用这些参数，可以构建一个参数空间，能够为AV测试有效地生成一系列具有挑战性的方案。我们使用均方根误差（RMSE）验证我们的方法，以比较使用所提出的参数与现实世界轨迹数据生成的方案。除此之外，我们还证明，在一些场景参数中增加一些干扰可以产生不同的场景，并利用对责任敏感的安全（RSS）度量来衡量场景的风险。

无罪化的交叉路口驾驶对自动车辆有挑战性。为了安全有效的性能，应考虑相互作用的车辆的多样化和动态行为。基于游戏理论框架，提出了一种用于无罪交叉口的自动决策的人类收益设计方法。展望理论被引入将客观碰撞风险映射到主观驾驶员收益，并且驾驶风格可以量化为安全和速度之间的权衡。为了考虑相互作用的动态，进一步引入了概率模型来描述司机的加速趋势。仿真结果表明，该决策算法可以描述极限情况下双车交互的动态过程。统一采样案例模拟的统计数据表明，安全互动的成功率达到98％，而且还可以保证速度效率。在四臂交叉路口的四车辆交互情景中进一步应用并验证了所提出的方法。

在本文中，设计了一种人类的驾驶和决策框架，专为自治车辆（AVS）而设计，其旨在使AVS更好地融入人类驾驶的运输生态，并消除人类驱动程序对自主驾驶的误解和不相容。基于对交互数据集的分析，以模糊推理方法建立驾驶侵略性估计模型。然后，设计了一种人类的驾驶模型，将大脑情绪学习电路模型（BELCM）与两点预览模型集成。在人类的车道改变决策算法中，成本函数全面考虑推动安全性和旅行效率。基于成本函数和多约束，动态游戏算法应用于建模AV和人司机之间的交互和决策。另外，为了保证AVS的车道变化安全，建立了人工潜在的场模型，用于碰撞风险评估。最后，基于驾驶模拟器，利用LOOM-in--in--in--in--in--in--in--in--in-in-in-in in算法进行评估。

然而，由于各种交通/道路结构方案以及人类驾驶员行为的长时间分布，自动驾驶的感应，感知和本地化取得了重大进展，因此，对于智能车辆来说，这仍然是一个持开放态度的挑战始终知道如何在有可用的传感 /感知 /本地化信息的道路上做出和执行最佳决定。在本章中，我们讨论了人工智能，更具体地说，强化学习如何利用运营知识和安全反射来做出战略性和战术决策。我们讨论了一些与强化学习解决方案的鲁棒性及其对自动驾驶驾驶策略的实践设计有关的具有挑战性的问题。我们专注于在高速公路上自动驾驶以及增强学习，车辆运动控制和控制屏障功能的整合，从而实现了可靠的AI驾驶策略，可以安全地学习和适应。

本文为可以提取车辆间交互的自治车辆提供特定于自主车辆的驾驶员风险识别框架。在驾驶员认知方式下对城市驾驶场景进行了这种提取，以提高风险场景的识别准确性。首先，将群集分析应用于驱动程序的操作数据，以学习不同驱动程序风险场景的主观评估，并为每个场景生成相应的风险标签。其次，采用图形表示模型（GRM）统一和构建动态车辆，车间交互和静态交通标记的实际驾驶场景中的特征。驾驶员特定的风险标签提供了实践，以捕获不同司机的风险评估标准。此外，图形模型表示驾驶场景的多个功能。因此，所提出的框架可以了解不同驱动程序的驾驶场景的风险评估模式，并建立特定于驱动程序的风险标识符。最后，通过使用由多个驱动程序收集的现实世界城市驾驶数据集进行的实验评估所提出的框架的性能。结果表明，建议的框架可以准确地识别实际驾驶环境中的风险及其水平。

我们解决了由具有不同驱动程序行为的道路代理人填充的密集模拟交通环境中的自我车辆导航问题。由于其异构行为引起的代理人的不可预测性，这种环境中的导航是挑战。我们提出了一种新的仿真技术，包括丰富现有的交通模拟器，其具有与不同程度的侵略性程度相对应的行为丰富的轨迹。我们在驾驶员行为建模算法的帮助下生成这些轨迹。然后，我们使用丰富的模拟器培训深度加强学习（DRL）策略，包括一组高级车辆控制命令，并在测试时间使用此策略来执行密集流量的本地导航。我们的政策隐含地模拟了交通代理商之间的交互，并计算了自助式驾驶员机动，例如超速，超速，编织和突然道路变化的激进驾驶员演习的安全轨迹。我们增强的行为丰富的模拟器可用于生成由对应于不同驱动程序行为和流量密度的轨迹组成的数据集，我们的行为的导航方案可以与最先进的导航算法相结合。

自动化驾驶系统应该有能力监督自己的性能并要求人类驱动程序在必要时接管。在车道保持场景中，车辆未来轨迹的预测是实现安全可靠的驾驶自动化的关键。以前关于车辆轨迹预测的研究主要分为两类，即基于物理和基于机动的方法。本文采用了基于物理的方法，提出了一种基于闭环车辆动力学模型的车道出发预测算法。我们使用扩展卡尔曼滤波器根据感测模块输出来估计当前车辆状态。然后，具有实际车道保持控制法的卡尔曼预测器用于预测未来的转向动作和车辆状态。车道出发评估模块评估车辆角位置的概率分布，并决定是否启动人类收购请求。预测算法能够描述未来车辆姿势的随机特征，其在模拟测试中被预先证明。最后，在15至50 km / h的速度下的道路测试进一步表明，专业方法可以准确地预测车辆未来的轨迹。它可以作为对自动化车道保持功能的通道偏离风险评估的有希望的解决方案。

交叉点是自主行驶中最复杂和事故的城市场景之一，其中制造安全和计算有效的决策是非微不足道的。目前的研究主要关注简化的交通状况，同时忽略了混合交通流量的存在，即车辆，骑自行车者和行人。对于城市道路而言，不同的参与者导致了一个非常动态和复杂的互动，从而冒着学习智能政策的困难。本文在集成决策和控制框架中开发动态置换状态表示，以处理与混合业务流的信号化交集。特别地，该表示引入了编码功能和总和运算符，以构建来自环境观察的驱动状态，能够处理不同类型和变体的交通参与者。构建了受约束的最佳控制问题，其中目标涉及跟踪性能，并且不同参与者和信号灯的约束分别设计以确保安全性。我们通过离线优化编码函数，值函数和策略函数来解决这个问题，其中编码函数给出合理的状态表示，然后用作策略和值函数的输入。禁止策略培训旨在重用从驾驶环境中的观察，并且使用时间通过时间来利用策略函数和编码功能联合。验证结果表明，动态置换状态表示可以增强IDC的驱动性能，包括具有大边距的舒适性，决策合规性和安全性。训练有素的驾驶政策可以实现复杂交叉口的高效和平滑通过，同时保证驾驶智能和安全性。

自动驾驶汽车是一项不断发展的技术，旨在通过自动操作从车道变更到超车来提高安全性，可访问性，效率和便利性。超车是自动驾驶汽车最具挑战性的操作之一，当前的自动超车技术仅限于简单情况。本文研究了如何通过允许动作流产来提高自主超车的安全性。我们提出了一个基于深层Q网络的决策过程，以确定是否以及何时需要中止超车的操作。拟议的算法在与交通情况不同的模拟中进行了经验评估，这表明所提出的方法可以改善超车手动过程中的安全性。此外，使用自动班车Iseauto在现实世界实验中证明了该方法。

决策对于自动驾驶的车道变化至关重要。强化学习（RL）算法旨在确定各种情况下的行为价值，因此它们成为解决决策问题的有前途的途径。但是，运行时安全性较差，阻碍了基于RL的决策策略，从实践中进行了复杂的驾驶任务。为了解决这个问题，本文将人类的示范纳入了基于RL的决策策略中。人类受试者在驾驶模拟器中做出的决定被视为安全的示范，将其存储到重播缓冲液中，然后用来增强RL的训练过程。建立了一个复杂的车道变更任务，以检查开发策略的性能。仿真结果表明，人类的演示可以有效地提高RL决策的安全性。而拟议的策略超过了其他基于学习的决策策略，就多种驾驶表演而言。

基于神经网络的驾驶规划师在改善自动驾驶的任务绩效方面表现出了巨大的承诺。但是，确保具有基于神经网络的组件的系统的安全性，尤其是在密集且高度交互式的交通环境中，这是至关重要的，但又具有挑战性。在这项工作中，我们为基于神经网络的车道更改提出了一个安全驱动的互动计划框架。为了防止过度保守计划，我们确定周围车辆的驾驶行为并评估其侵略性，然后以互动方式相应地适应了计划的轨迹。如果在预测的最坏情况下，即使存在安全的逃避轨迹，则自我车辆可以继续改变车道；否则，它可以停留在当前的横向位置附近或返回原始车道。我们通过广泛而全面的实验环境以及在自动驾驶汽车公司收集的现实情况下进行了广泛的模拟，定量证明了计划者设计的有效性及其优于基线方法的优势。

自动化驾驶系统（广告）开辟了汽车行业的新领域，为未来的运输提供了更高的效率和舒适体验的新可能性。然而，在恶劣天气条件下的自主驾驶已经存在，使自动车辆（AVS）长时间保持自主车辆（AVS）或更高的自主权。本文评估了天气在分析和统计方式中为广告传感器带来的影响和挑战，并对恶劣天气条件进行了解决方案。彻底报道了关于对每种天气的感知增强的最先进技术。外部辅助解决方案如V2X技术，当前可用的数据集，模拟器和天气腔室的实验设施中的天气条件覆盖范围明显。通过指出各种主要天气问题，自主驾驶场目前正在面临，近年来审查硬件和计算机科学解决方案，这项调查概述了在不利的天气驾驶条件方面的障碍和方向的障碍和方向。

自动驾驶汽车的一个主要挑战是安全，平稳地与其他交通参与者进行互动。处理此类交通交互的一种有希望的方法是为自动驾驶汽车配备与感知的控制器（IACS）。这些控制器预测，周围人类驾驶员将如何根据驾驶员模型对自动驾驶汽车的行为做出响应。但是，很少验证IACS中使用的驱动程序模型的预测有效性，这可能会限制IACS在简单的模拟环境之外的交互功能。在本文中，我们认为，除了评估IAC的互动能力外，还应在自然的人类驾驶行为上验证其潜在的驱动器模型。我们为此验证提出了一个工作流程，其中包括基于方案的数据提取和基于人为因素文献的两阶段（战术/操作）评估程序。我们在一项案例研究中证明了该工作流程，该案例研究对现有IAC复制的基于反向的基于学习的驱动程序模型。该模型仅在40％的预测中显示出正确的战术行为。该模型的操作行为与观察到的人类行为不一致。案例研究表明，有原则的评估工作流程是有用和需要的。我们认为，我们的工作流将支持为将来的自动化车辆开发适当的驾驶员模型。

Traditional planning and control methods could fail to find a feasible trajectory for an autonomous vehicle to execute amongst dense traffic on roads. This is because the obstacle-free volume in spacetime is very small in these scenarios for the vehicle to drive through. However, that does not mean the task is infeasible since human drivers are known to be able to drive amongst dense traffic by leveraging the cooperativeness of other drivers to open a gap. The traditional methods fail to take into account the fact that the actions taken by an agent affect the behaviour of other vehicles on the road. In this work, we rely on the ability of deep reinforcement learning to implicitly model such interactions and learn a continuous control policy over the action space of an autonomous vehicle. The application we consider requires our agent to negotiate and open a gap in the road in order to successfully merge or change lanes. Our policy learns to repeatedly probe into the target road lane while trying to find a safe spot to move in to. We compare against two model-predictive control-based algorithms and show that our policy outperforms them in simulation.