基于深度强化学习的车辆驾驶仿真运动提示算法
机器人学
2025-03-20 v2 系统与控制
系统与控制
摘要
运动提示算法（MCA）用于控制运动仿真平台（MSP）的运动，以尽可能准确地再现真实车辆驾驶员的运动感知，同时不超出 MSP 工作空间的限制。现有方法或因滤波、线性化或简化而产生非最优结果，或所需计算时间超出闭环应用的实时要求。本工作提出了一种运动提示问题的新解决方案，其中不是由人类设计者指定 MCA 的原理，而是由人工智能（AI）通过与 MSP 交互试错来学习最优运动。为此，采用了成熟的深度强化学习（RL）算法，其中智能体与环境交互，允许其直接控制模拟的 MSP 以获得性能反馈。所使用的 RL 算法是近端策略优化（PPO），其中与控制策略对应的值函数和政策均在人工神经网络（ANN）中学习和映射。该方法在 Python 中实现，并通过预先记录的横向机动实际示例演示了功能。随后的验证表明，与既有方法相比，RL 算法能够学习控制策略并提升沉浸质量。由此，由前庭系统模型确定的感知运动信号被更准确地再现，且 MSP 的资源被更经济地利用。
引用
@article{arxiv.2304.07600,
title = {A Deep Reinforcement Learning Based Motion Cueing Algorithm for Vehicle Driving Simulation},
author = {Hendrik Scheidel and Houshyar Asadi and Tobias Bellmann and Andreas Seefried and Shady Mohamed and Saeid Nahavandi},
journal= {arXiv preprint arXiv:2304.07600},
year = {2025}
}