端到端自动驾驶（End-to-End Autonomous Driving，E2E-AD）通常被理解为利用统一的可微模型，将多模态传感器输入直接映射为规划轨迹或车辆控制动作。与传统模块化系统相比，它能够减少模块接口之间的信息损失，并对感知、预测、规划和控制进行联合优化。然而，模型结构只是能力形成的载体：长尾数据是否被覆盖、训练目标是否与安全要求和规划任务保持一致、计算与测试平台是否支持持续迭代，都会直接决定系统最终能够学到什么、如何学以及能否稳定部署。针对现有综述多从数据集、单一算法或模型架构切入的局限，论文提出“数据—策略—平台”（Data–Strategy–Platform）分类体系，将端到端自动驾驶训练重新界定为相互依赖的系统工程，并给出从数据价值、基础模型到训测一体化的未来演进路线。
阅读() | 撰稿 徐成凯 2026年08月31日 12:10:57
在自动驾驶技术的发展过程中，基于单车感知、预测与决策闭环的单车智能路线取得了显著进展，并推动自动驾驶系统逐步从封闭场景走向开放道路。然而，随着测试场景逐渐走向人机混驾下的开放道路，单车智能的局限也愈发清晰：在无信号交叉口、环岛等强冲突场景中，当前自动驾驶车辆往往表现得过于保守，影响系统整体运行效能。协同驾驶（Cooperative Driving）通过共享状态、意图和决策信息，推动交通系统从单车自主运行迈向多车自治组织。但在人机混驾环境中，系统效率目标与人类驾驶员个体偏好常常存在冲突，导致现有协同方法效果下降甚至出现死锁。针对该问题，论文提出了面向混合交通的自适应势博弈协同框架，使系统在追求整体安全与效率的同时，动态理解不同车辆对系统的影响和异质人类驾驶员的行为偏好，通过仿真与实车测试验证了方法的有效性。
阅读() | 撰稿 房世玉 2026年08月31日 12:09:35
近年来，随着自动驾驶与车联网技术的发展，未来道路交通并不会在短时间内直接进入“全自动驾驶时代”。在很长一段时期内，网联自动驾驶车（Connected Automated Vehicle，CAV）与人类驾驶车（Human-Driven Vehicle，HDV）将长期共存，形成典型的混驾交通环境。在这种环境中，无信号交叉口作为极具代表性的高冲突场景：车辆没有信号灯统一分配通行权，多辆车需要围绕有限的冲突区时空资源进行动态决策。对于CAV而言，问题并不只是“如何安全避开其他车辆”。一方面，CAV需要与其他CAV协同通行，合理分配通行顺序；另一方面，又必须面对HDV行为的不确定性和非可控性。如果只关注CAV之间的协作，容易忽略HDV行为变化；如果只关注CAV与HDV之间的交互，又难以发挥多辆CAV之间的协作优势。因此，一个关键问题随之出现：在CAV与HDV长期共存的混驾交通环境中，如何让CAV既能与“同类”协作，又能动态响应人类驾驶员行为，从而在无信号交叉口实现安全、高效的协同通行？
阅读() | 撰稿 崔一鸣 2026年08月31日 12:07:38
网联自动驾驶汽车（CAV, Connected Autonomous Vehicle）的协同自动驾驶被认为是提升道路通行效率、改善交通安全并降低能耗的重要技术路径。在无信号环岛、无保护左转等路权模糊的复杂场景中，车辆面临着"自动驾驶不敢走"、"多车冲突难协调"、"人机混驾难配合"等问题。其中一个关键问题始终悬而未决：如何让网联自动驾驶汽车分布式的自主协商，在"谁先行、谁让行"的问题上快速达成共识，同时兼顾安全性、舒适性与通行效率？本文将社会科学领域中的"观点动力学"（Opinion Dynamics）引入协同自动驾驶领域，提出了一种分布式合作决策框架，让CAV像人一样"交换意见、协商一致"，为高密度混合交通环境下的协同自动驾驶开辟了新思路。
阅读() | 撰稿 刘学凯 2026年08月31日 12:06:10
自动驾驶车辆编队被认为是提升道路通行效率、降低能耗并改善安全的重要技术路径。理想情况下，多辆自动驾驶车辆可以保持较小车距、协同行驶、同步换道。但真实交通并不会一直保持“整齐”：人类驾驶车辆可能随机切入，前方可能出现事故车辆，拥堵也会带来速度波动。此时，固定的头车-跟车链条往往不够灵活。一个更自然的参照是鱼群：遇到扰动时，群体并不死守单一队形，而是局部避让、整体协同，并在风险过去后重新聚合。本文提出 TriCoD，一个面向自动驾驶车辆编队的安全增强型“数据-模型-知识”三驱动自组织协同决策框架，让车队能够根据交通风险动态保持、解散、重组和恢复。
阅读() | 撰稿 2026年08月31日 12:04:13
在人机共驾中，最危险的时刻，往往不是接管请求（takeover request）发出的那一瞬间，而是控制权已经交回驾驶人，但人的感知、风险判断与动作执行还没有完全回到“驾驶模式”。手握方向盘（hands-on-wheel）、视觉专注路面（eyes-on-road）这类常用代理指标，与驾驶人真实接管操作能力并不强相关；而接管后的最初几秒，又恰恰是认知状态波动最快、传统静态模型最容易失真的窗口。围绕这一关键问题，本文提出了一种自适应有限理性建模框架：把感知不确定性、对快速迫近物体的高敏感反应，以及动作延迟等认知-行为机制直接耦合进闭环驾驶控制，并利用粒子滤波在线估计驾驶人的潜在认知状态，从而实现更早、更有解释性的危险接管预测。
阅读() | 撰稿 2026年08月31日 12:02:01
近年来，随着自动驾驶系统向高复杂度场景验证持续推进，虚拟仿真测试已成为安全评估与算法迭代中的关键环节。相较于真实道路测试，仿真环境具有可控、可复现和低风险等优势，能够支持对交叉口、汇入、环岛等高交互场景的系统化评估。在这一背景下，数据驱动交通仿真逐渐成为重要技术方向。
阅读() | 撰稿 2026年08月31日 11:59:52
近年来，自动驾驶系统的安全性验证高度依赖于仿真测试。为了解决真实路测中危险场景极度稀缺的“长尾问题”，通过算法自动生成对抗性测试场景成为了一种极具潜力的方法。早期的工作多采用强化学习或直接优化的手段，生成极端恶劣的工况来对系统进行压力测试。
阅读() | 撰稿 2026年08月31日 11:44:16电话：021-69583650 管理员邮箱：2015qgy@tongji.edu.cn
地址：上海市曹安公路4800号同济大学交通学院 邮编：201804
TOPS课题组 页面浏览465,829次/访客70,123人次
