利用学习启发式与蒙特卡洛树搜索加速自动驾驶车辆协同规划
机器学习
2022-03-11 v2 多智能体系统
机器人学
机器学习
摘要
在城市交通场景中高效驾驶需要前瞻性。对其他交通参与者的观察以及根据其自身动作推断其可能下一步动作被视为协同预测与规划。人类天生具备预测多个交互交通参与者动作并相应规划的能力，而无需与他人直接通信。先前工作表明，无需显式通信即可实现有效的协同规划。然而，协同规划的搜索空间极为庞大，以至于大部分计算预算耗费在远离解的、无希望的区域内探索搜索空间。为加速规划过程，我们将学习到的启发式与一种协同规划方法相结合，以引导搜索朝向具有有希望动作的区域，从而在更低计算成本下得到更优解。
引用
@article{arxiv.2002.00497,
title = {Accelerating Cooperative Planning for Automated Vehicles with Learned Heuristics and Monte Carlo Tree Search},
author = {Karl Kurzer and Marcus Fechner and J. Marius Zöllner},
journal= {arXiv preprint arXiv:2002.00497},
year = {2022}
}