一种用于自主赛车中策略性运动规划的层次化方法
机器人学
2022-12-06 v1 系统与控制
系统与控制
摘要
我们提出一种安全轨迹规划方法，其中与自主赛车相关的策略任务在仿真环境中以样本高效的方式学习。一个由神经网络表示的高层策略输出一个奖励规范，用于参数化非线性模型预测控制器（NMPC）的代价函数中。通过在 NLP 中包含约束和车辆运动学，我们能够保证与所用模型相关的安全和可行轨迹。与经典强化学习（RL）相比，我们的方法将探索限制在安全轨迹内，以良好的先验性能起步，并生成可传递给跟踪底层控制器的完整轨迹。我们在本工作中不处理底层跟踪控制器，并假设对可行轨迹的完美跟踪。我们在包含高层决策的仿真赛车任务上展示了我们算法的优越性能。车辆学会高效超越较慢车辆，并通过阻挡较快车辆来避免被超越。
引用
@article{arxiv.2212.01607,
title = {A Hierarchical Approach for Strategic Motion Planning in Autonomous Racing},
author = {Rudolf Reiter and Jasper Hoffmann and Joschka Boedecker and Moritz Diehl},
journal= {arXiv preprint arXiv:2212.01607},
year = {2022}
}