基于分层强化学习的城市自动驾驶动作与轨迹规划
机器人学
2023-06-29 v1 机器学习
摘要
强化学习（RL）在简单驾驶场景下自动驾驶车辆（AVs）的规划与决策中取得了有前景的进展。然而，现有的 AV 强化学习算法无法在复杂城市场景中学习关键的驾驶技能。首先，城市场景要求 AV 处理多个驾驶任务，而传统 RL 算法无能为力。其次，城市场景中其他车辆的存在导致环境动态变化，这对 RL 算法规划 AV 的动作与轨迹提出了挑战。本工作中，我们提出一种使用分层强化学习（atHRL）方法的动作与轨迹规划器，该方法利用激光雷达和鸟瞰图的感知，在分层模型中建模智能体行为。所提出的 atHRL 方法学习对未来轨迹做出决策，并基于分层 DDPG 算法在连续设定下计算目标航点。atHRL 模型规划的航点随后被送至底层控制器，以生成车辆机动所需的转向和油门指令。我们在 CARLA 模拟器中通过由多任务组成且存在其他车辆的复杂城市场景下的广泛实验，实证验证了 atHRL 的有效性。实验结果表明，与最先进的 RL 方法相比性能有显著提升。
引用
@article{arxiv.2306.15968,
title = {Action and Trajectory Planning for Urban Autonomous Driving with Hierarchical Reinforcement Learning},
author = {Xinyang Lu and Flint Xiaofeng Fan and Tianying Wang},
journal= {arXiv preprint arXiv:2306.15968},
year = {2023}
}
备注
ICML Workshop on New Frontiers in Learning, Control, and Dynamical Systems