Autonomous vehicle (AV) algorithms need to be tested extensively in order to make sure the vehicle and the passengers will be safe while using it after the implementation. Testing these algorithms in real world create another important safety critical point. Real world testing is also subjected to limitations such as logistic limitations to carry or drive the vehicle to a certain location. For this purpose, hardware in the loop (HIL) simulations as well as virtual environments such as CARLA and LG SVL are used widely. This paper discusses a method that combines the real vehicle with the virtual world, called vehicle in virtual environment (VVE). This method projects the vehicle location and heading into a virtual world for desired testing, and transfers back the information from sensors in the virtual world to the vehicle. As a result, while vehicle is moving in the real world, it simultaneously moves in the virtual world and obtains the situational awareness via multiple virtual sensors. This would allow testing in a safe environment with the real vehicle while providing some additional benefits on vehicle dynamics fidelity, logistics limitations and passenger experience testing. The paper also demonstrates an example case study where path following and the virtual sensors are utilized to test a radar based stopping algorithm.

由于需要快速原型制作和广泛的测试，模拟在自主驾驶中的作用变得越来越重要。基于物理的模拟使用涉及多个利益和优势，以合理的成本消除了对原型，驱动因素和脆弱道路使用者的风险。但是，有两个主要局限性。首先，众所周知的现实差距是指现实与模拟之间的差异，这阻止了模拟自主驾驶体验实现有效的现实性能。其次，缺乏有关真实代理商的行为的经验知识，包括备用驾驶员或乘客以及其他道路使用者，例如车辆，行人或骑自行车的人。代理仿真通常是根据实际数据进行确定性，随机概率或生成的预编程的，但它不代表与特定模拟方案相互作用的真实试剂的行为。在本文中，我们提出了一个初步框架，以实现真实试剂与模拟环境（包括自动驾驶汽车）之间的实时互动，并从多个视图中从模拟传感器数据中生成合成序列，这些视图可用于培训依赖行为模型的预测系统。我们的方法将沉浸式的虚拟现实和人类运动捕获系统与Carla模拟器进行自主驾驶。我们描述了提出的硬件和软件体系结构，并讨论所谓的行为差距或存在。我们提出了支持这种方法的潜力并讨论未来步骤的初步但有希望的结果。

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。

Digital Twin is an emerging technology that replicates real-world entities into a digital space. It has attracted increasing attention in the transportation field and many researchers are exploring its future applications in the development of Intelligent Transportation System (ITS) technologies. Connected vehicles (CVs) and pedestrians are among the major traffic participants in ITS. However, the usage of Digital Twin in research involving both CV and pedestrian remains largely unexplored. In this study, a Digital Twin framework for CV and pedestrian in-the-loop simulation is proposed. The proposed framework consists of the physical world, the digital world, and data transmission in between. The features for the entities (CV and pedestrian) that need digital twined are divided into external state and internal state, and the attributes in each state are described. We also demonstrate a sample architecture under the proposed Digital Twin framework, which is based on Carla-Sumo Co-simulation and Cave automatic virtual environment (CAVE). The proposed framework is expected to provide guidance to the future Digital Twin research, and the architecture we build can serve as the testbed for further research and development of ITS applications on CV and pedestrian.

由于在道路驾驶实验的安全性，成本和实验控制问题，模拟器是驾驶的行为和交互研究的重要工具。最先进的模拟器使用昂贵的360度投影系统，以确保视觉保真度，完整的视野和浸入。然而，可以使用基于虚拟现实（VR）的可视界面可高效地实现类似的视觉保真度。我们展示了Dreyevr，这是一个基于开源VR的驾驶模拟器平台，设计了具有行为和互动研究优先事项的驾驶模拟器平台。 Dreyevr（读取“驱动程序”）是基于虚幻发动机和Carla自主车辆模拟器，并且具有眼睛跟踪等功能，功能驾驶头部显示器（HUD）和车辆音频，定制可定义路由和流量方案，实验测井，重播功能，以及与ROS的兼容性。我们描述了部署此模拟器的硬件低于$ 5000 $ USD，比市售的模拟器更便宜。最后，我们描述了如何利用Dreyevr在示例场景中回答交互研究问题。

In this paper, we propose SceNDD: a scenario-based naturalistic driving dataset that is built upon data collected from an instrumented vehicle in downtown Indianapolis. The data collection was completed in 68 driving sessions with different drivers, where each session lasted about 20--40 minutes. The main goal of creating this dataset is to provide the research community with real driving scenarios that have diverse trajectories and driving behaviors. The dataset contains ego-vehicle's waypoints, velocity, yaw angle, as well as non-ego actor's waypoints, velocity, yaw angle, entry-time, and exit-time. Certain flexibility is provided to users so that actors, sensors, lanes, roads, and obstacles can be added to the existing scenarios. We used a Joint Probabilistic Data Association (JPDA) tracker to detect non-ego vehicles on the road. We present some preliminary results of the proposed dataset and a few applications associated with it. The complete dataset is expected to be released by early 2023.

自主系统（AS）越来越多地提出或在安全关键（SC）应用中使用，例如公路车辆。许多这样的系统利用复杂的传感器套件和处理来提供场景理解，从而使“决策”（例如路径计划）提供了信息。传感器处理通常利用机器学习（ML），并且必须在具有挑战性的环境中工作，此外，ML算法具有已知的局限性，例如，对象分类中错误的负面因素或假阳性的可能性。为常规SC系统开发的完善的安全分析方法与AS使用的AS，ML或传感系统没有很好的匹配。本文提出了适应良好的安全分析方法的适应，以解决AS的传感系统的细节，包括解决环境效应和ML的潜在故障模式，并为选择特定的指南或提示集提供了理由。安全分析。它继续展示了如何使用分析结果来告知AS系统的设计和验证，并通过对移动机器人进行部分分析来说明新方法。本文中的插图主要基于光学传感，但是本文讨论了该方法对其他感应方式的适用性及其在更广泛的安全过程中的作用，以解决AS的整体功能

随着自动驾驶功能（AD）功能的进步，近年来，远程运行越来越受欢迎。通过启用自动化车辆的远程操作，可以将远程处理作为可靠的后备解决方案，用于操作设计域限制和广告功能的边缘案例。多年来，文献中提出了有关人类操作员如何远程支持或替代广告功能的各种不同的远程关系概念。本文介绍了关于道路车辆远程运行概念的文献调查的结果。此外，由于行业内部的兴趣日益增加，对专利和公司整体活动的见解也提出了。

Reliable and efficient validation technologies are critical for the recent development of multi-vehicle cooperation and vehicle-road-cloud integration. In this paper, we introduce our miniature experimental platform, Mixed Cloud Control Testbed (MCCT), developed based on a new notion of Mixed Digital Twin (mixedDT). Combining Mixed Reality with Digital Twin, mixedDT integrates the virtual and physical spaces into a mixed one, where physical entities coexist and interact with virtual entities via their digital counterparts. Under the framework of mixedDT, MCCT contains three major experimental platforms in the physical, virtual and mixed spaces respectively, and provides a unified access for various human-machine interfaces and external devices such as driving simulators. A cloud unit, where the mixed experimental platform is deployed, is responsible for fusing multi-platform information and assigning control instructions, contributing to synchronous operation and real-time cross-platform interaction. Particularly, MCCT allows for multi-vehicle coordination composed of different multi-source vehicles (\eg, physical vehicles, virtual vehicles and human-driven vehicles). Validations on vehicle platooning demonstrate the flexibility and scalability of MCCT.

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。

通过实现灵活的按需系统，预计自动车辆（AVS）将增加交通安全和交通效率等。这在新加坡尤其重要，是世界上最稠密的国家之一，这就是为什么新加坡当局目前正在积极促进AVS的部署。但是，由于正式的AV路公路审批程序所需所需。为此，提出了一种安全评估框架，这与基于交通场景的方法相结合了标准化功能安全设计方法的方面。后者涉及使用驱动数据来提取AV相关的流量方案。底层方法基于将场景分解为基本事件，随后的场景参数化和采样场景参数的估计概率密度函数来创建测试场景。随后，由此产生的测试场景用于模拟环境中的虚拟测试，并在证明地面和现实生活中进行物理测试。结果，所提出的评估管线因此由于基于模拟的方法而在相对短的时间帧中为AV性能提供统计相关和定量措施。最终，拟议的方法提供了AVS的正式道路审批程序的当局。特别是，拟议的方法将支持新加坡土地运输机构进行AVS的道路批准。

无人驾驶道路维护可能对所有利益相关者都非常有利，其关键目标是提高所有公路参与者的安全性，更有效的交通管理以及降低的道路维护成本，因此道路基础设施的标准足以使用它在自动驾驶（AD）中。本文介绍了如何扩展技术状态以实现这些目标。在使用公路标记机作为系统的“遥控道路标记系统”项目中，讨论并开发了基于远程操作的不同操作模式。此外，考虑到硬件和软件元素的功能系统概述通过实际的公路标记机对实验进行了验证，应作为在此和类似领域的未来工作的基准。

尽管机器人学课程在高等教育方面已建立，但这些课程通常专注于理论，有时缺乏对开发，部署和将软件应用于真实硬件的技术的系统覆盖。此外，大多数用于机器人教学的硬件平台是针对中学水平的年轻学生的低级玩具。为了解决这一差距，开发了一个自动驾驶汽车硬件平台，称为第1 f1 f1tth，用于教授自动驾驶系统。本文介绍了以“赛车”和替换考试的竞赛为主题的各种教育水平教学模块和软件堆栈。第1辆车提供了一个模块化硬件平台及其相关软件，用于教授自动驾驶算法的基础知识。从基本的反应方法到高级计划算法，教学模块通过使用第1辆车的自动驾驶来增强学生的计算思维。第1辆汽车填补了研究平台和低端玩具车之间的空白，并提供了学习自主系统中主题的动手经验。多年的四所大学为他们的学期本科和研究生课程采用了教学模块。学生反馈用于分析第1个平台的有效性。超过80％的学生强烈同意，硬件平台和模块大大激发了他们的学习，而超过70％的学生强烈同意，硬件增强了他们对学科的理解。调查结果表明，超过80％的学生强烈同意竞争激励他们参加课程。

自动驾驶在过去十年中取得了重大的研究和发展中的重要里程碑。在道路上的自动车辆部署时，对该领域的兴趣越来越令人兴趣，承诺更安全，更生态的运输系统。随着计算强大的人工智能（AI）技术的兴起，自动车辆可以用高精度感测它们的环境，进行安全的实时决策，并在没有人类干预的情况下更可靠地运行。然而，在现有技术中，人类智能决策通常不可能理解，这种缺陷阻碍了这种技术在社会上可接受。因此，除了制造安全的实时决策之外，自治车辆的AI系统还需要解释如何构建这些决策，以便在许多司法管辖区兼容监管。我们的研究在开发可解释的人工智能（XAI）的自治车辆方法上阐明了全面的光芒。特别是，我们做出以下贡献。首先，我们在最先进的自主车辆行业的解释方面彻底概述了目前的差距。然后，我们显示了该领域的解释和解释接收器的分类。第三，我们为端到端自主驾驶系统的架构提出了一个框架，并证明了Xai在调试和调节这些系统中的作用。最后，作为未来的研究方向，我们提供了XAI自主驾驶方法的实地指南，可以提高运营安全性和透明度，以实现监管机构，制造商和所有参与利益相关者的公共批准。

越来越多的交通部门的问题是事故，交通流量不良和污染。智能运输系统使用外部基础架构（其）可以解决这些问题。据我们所知，不存在对现有解决方案的系统审查。为了填补这一知识缺口，本文概述了现有的使用外部基础架构。此外，本文发现目前没有充分的回答的研究问题。出于这个原因，我们对文件进行了文献综述，它自2009年以来介绍了其解决方案。我们根据他的技术水平分类结果并分析了它们的性质。因此，我们使其有所可比性，并突出了过去的发展以及目前的趋势。根据提及的方法，我们分析了346多篇论文，其中包括40个试验床项目。总之，目前其可以实时提供有关交通情况下的个体的高准确信息。然而，在其使用现代传感器，即插即用机制以及高度数据的分散方式中，进一步研究其应重点关注对流量的更可靠的流量感知。通过解决这些主题，智能运输系统的开发处于校正方向，以实现全面推出。

自动车辆（AVS）即自动驾驶汽车，在安全关键域中运行，因为自主驾驶软件中的错误可能导致巨大的损失。统计上，作为AVS运营设计领域（奇数）的一部分的道路交叉路口具有一些最高的事故率。因此，将AVS测试到道路交叉口的限制并确保其在道路交叉路口上的安全性是相关的，因此是本文的重点。我们展示了一种基于覆盖范围的（SITCOV）AV测试框架，用于AVS的验证和验证（V＆V）和安全保证，在名为Carla的开源AV模拟器中开发。 SITCOV AV测试框架侧重于不同环境和交叉路口配置情况下的道路交叉路口的车辆到车辆交互，利用自动测试套件生成的情况覆盖标准进行AVS的安全保证。我们已经开发了一个用于交叉路口情况的本体，并使用它来生成一个情况超空间I.E.，从该本体中产生的所有可能情况的空间。为了评估我们的SITCOV AV测试框架，我们在自我AV中播种了多个故障，并比较了基于和随机情况的情况。我们发现，两种生成方法触发相同数量的种子故障，但基于覆盖的一代的情况涉及我们的自动驾驶算法的弱点，特别是在边缘情况下。我们的代码在线公开提供，任何人都可以使用我们的Sitcov AV-Testrace框架并在其顶部进一步使用或建立。本文旨在为V＆V的域名和AVS的发展贡献，而不仅仅是从理论的角度来看，而且也是从开源软件贡献的观点来看，释放灵活/有效的V＆V和AVS的开发。

Accomplishing safe and efficient driving is one of the predominant challenges in the controller design of connected automated vehicles (CAVs). It is often more convenient to address these goals separately and integrate the resulting controllers. In this study, we propose a controller integration scheme to fuse performance-based controllers and safety-oriented controllers safely for the longitudinal motion of a CAV. The resulting structure is compatible with a large class of controllers, and offers flexibility to design each controller individually without affecting the performance of the others. We implement the proposed safe integration scheme on a connected automated truck using an optimal-in-energy controller and a safety-oriented connected cruise controller. We validate the premise of the safe integration through experiments with a full-scale truck in two scenarios: a controlled experiment on a test track and a real-world experiment on a public highway. In both scenarios, we achieve energy efficient driving without violating safety.

Prototyping and validating hardware-software components, sub-systems and systems within the intelligent transportation system-of-systems framework requires a modular yet flexible and open-access ecosystem. This work presents our attempt towards developing such a comprehensive research and education ecosystem, called AutoDRIVE, for synergistically prototyping, simulating and deploying cyber-physical solutions pertaining to autonomous driving as well as smart city management. AutoDRIVE features both software as well as hardware-in-the-loop testing interfaces with openly accessible scaled vehicle and infrastructure components. The ecosystem is compatible with a variety of development frameworks, and supports both single and multi-agent paradigms through local as well as distributed computing. Most critically, AutoDRIVE is intended to be modularly expandable to explore emergent technologies, and this work highlights various complementary features and capabilities of the proposed ecosystem by demonstrating four such deployment use-cases: (i) autonomous parking using probabilistic robotics approach for mapping, localization, path planning and control; (ii) behavioral cloning using computer vision and deep imitation learning; (iii) intersection traversal using vehicle-to-vehicle communication and deep reinforcement learning; and (iv) smart city management using vehicle-to-infrastructure communication and internet-of-things.

The last decade witnessed increasingly rapid progress in self-driving vehicle technology, mainly backed up by advances in the area of deep learning and artificial intelligence. The objective of this paper is to survey the current state-of-the-art on deep learning technologies used in autonomous driving. We start by presenting AI-based self-driving architectures, convolutional and recurrent neural networks, as well as the deep reinforcement learning paradigm. These methodologies form a base for the surveyed driving scene perception, path planning, behavior arbitration and motion control algorithms. We investigate both the modular perception-planning-action pipeline, where each module is built using deep learning methods, as well as End2End systems, which directly map sensory information to steering commands. Additionally, we tackle current challenges encountered in designing AI architectures for autonomous driving, such as their safety, training data sources and computational hardware. The comparison presented in this survey helps to gain insight into the strengths and limitations of deep learning and AI approaches for autonomous driving and assist with design choices. 1

新的Corona病毒大流行是现在最大的全球问题之一。虽然卫生和佩戴面具由疾病控制和预防中心（CDC）和世界卫生组织（WHO）的中心构成了一大部分目前建议的预防措施，但是，社会疏散是另一个，可以说是自我保护人士的最重要预防措施空气传播的病毒很容易通过空气传播。如果行人知道彼此的位置，如果行人知道彼此的位置更有效，那么如果他们知道可能的载体的人的位置，那么可以更有效。有了这些信息，他们可以根据附近的人们改变他们的路线，或者他们可以远离包含或最近包含人群的区域。本文提出了一种移动设备应用，这是2019年冠状病毒疾病（Covid-19）的社会疏散的一个非常有益的工具。应用程序工作，以网络方式同步到实时，以网络方式为所有用户获取其位置并绘制周围的虚拟安全泡沫。这些安全气泡与恒定速度行人模型一起使用，以预测可能的未来社会偏移违规，并警告用户声音和振动。此外，它考虑了一定时间的病毒保持空气传播，因此，在用户过去轨迹中产生时间腐烂的非安全区域。移动应用程序在用作多模态行程规划应用程序的一部分时，可以生成用于在人行道运输方式的不期望的位置周围导航的碰撞路径。结果也适用于其他运输方式。本文讨论了用于实施的功能和方法。使用先前收集的实际环境中的真正的行人步行数据进行测试。