一种强化学习增强的运动规划框架：自动驾驶中的全面泛化性能
机器人学
2024-07-31 v1
摘要
本研究引入了一种新颖的自主运动规划方法，在 Frenet 坐标系下，利用强化学习 (RL) 智能体为解析算法提供信息。这种结合直接应对了自动驾驶中适应性和安全性的挑战。运动规划算法对于在动态和复杂场景中导航至关重要。然而，传统方法缺乏应对不可预测环境所需的灵活性，而机器学习技术，特别是强化学习 (RL)，虽能提供适应性，但存在不稳定和缺乏可解释性的问题。我们独特的解决方案将传统运动规划算法的可预测性和稳定性与 RL 的动态适应性相结合，形成了一个能有效管理复杂情况并适应不断变化的环境条件的系统。对我们集成方法的评估显示，在多种场景下，碰撞显著减少，风险管理得到改善，目标成功率得以提高。本研究中使用的代码已作为开源软件公开发布，可通过以下链接访问：https://github.com/TUM-AVS/Frenetix-RL。
引用
@article{arxiv.2402.01465,
title = {A Reinforcement Learning-Boosted Motion Planning Framework: Comprehensive Generalization Performance in Autonomous Driving},
author = {Rainer Trauth and Alexander Hobmeier and Johannes Betz},
journal= {arXiv preprint arXiv:2402.01465},
year = {2024}
}
备注
8 Pages. Submitted in Conference IEEE IV 2024 Korea