一种无冲突、无速度损失的基于 KAN 的强化学习决策系统用于环岛交互驾驶
机器人学
2025-09-15 v2 人工智能
机器学习
系统与控制
系统与控制
摘要
安全性和效率对于环岛中的自动驾驶至关重要，尤其是在包含自动驾驶车辆（AV）和人工驾驶车辆的混合交通环境中。本文提出了一种学习型算法，可在不同环岛交通条件下促进安全高效的驾驶。深度 Q 学习网络用于在复杂的多车辆环岛场景中学习最优策略，而 Kolmogorov-Arnold 网络（KAN）则提升了 AV 对环境的理解能力。为进一步增强安全性，动作审查器过滤不安全动作，路线规划器优化驾驶效率。此外，模型预测控制确保执行过程中的稳定性和精确性。实验结果表明，所提出的系统持续优于现有最先进方法，实现了更少的碰撞、更短的行驶时间以及稳定的训练和平滑的奖励收敛。
引用
@article{arxiv.2408.08242,
title = {A Conflicts-free, Speed-lossless KAN-based Reinforcement Learning Decision System for Interactive Driving in Roundabouts},
author = {Zhihao Lin and Zhen Tian and Jianglin Lan and Qi Zhang and Ziyang Ye and Hanyang Zhuang and Xianxian Zhao},
journal= {arXiv preprint arXiv:2408.08242},
year = {2025}
}
备注
14 pages, 11 figures, published in IEEE Transactions on Intelligent Transportation Systems