基于模仿学习的自动驾驶快速集成规划与控制框架
人工智能
2017-07-11 v1 机器学习
系统与控制
摘要
对于自动驾驶中安全高效的规划与控制，我们需要一种驾驶策略，能够在长期范围内实现理想的驾驶质量，并保证安全性与可行性。基于优化的方法，如模型预测控制（Model Predictive Control，MPC），可以提供这样的最优策略，但其计算复杂度通常无法接受用于实时实现。为解决此问题，我们提出了一种快速集成规划与控制框架，该框架在双层分层结构中结合了基于学习与基于优化的方法。第一层定义为“策略层（policy layer）”，由神经网络建立，学习由MPC生成的长期最优驾驶策略。第二层称为“执行层（execution layer）”，是一个基于优化的短期控制器，跟踪“策略层”给出的参考轨迹，并保证短期的安全性与可行性。此外，凭借高效且高代表性的特征，在“策略层”中使用小规模神经网络足以处理许多复杂驾驶场景。这使得利用数据集聚合（Dataset Aggregation，DAgger）进行在线模仿学习成为可能，从而“策略层”的性能可以在线快速且持续地提升。通过若干示例驾驶场景验证了所提框架的有效性与高效性。
引用
@article{arxiv.1707.02515,
title = {A Fast Integrated Planning and Control Framework for Autonomous Driving via Imitation Learning},
author = {Liting Sun and Cheng Peng and Wei Zhan and Masayoshi Tomizuka},
journal= {arXiv preprint arXiv:1707.02515},
year = {2017}
}