基于密集强化学习的网联自动驾驶车辆自适应测试环境生成
系统与控制
2024-03-01 v1 机器学习
系统与控制
摘要
安全性能评估在网联自动驾驶车辆（CAVs）的开发和部署中起着关键作用。常见的方法是基于CAVs的先验知识（例如代理模型）设计测试场景，在这些场景中进行测试，然后评估CAVs的安全性能。然而，CAVs与先验知识之间的显著差异会大大降低评估效率。针对这一问题，现有研究主要集中在CAV测试过程中测试场景的自适应设计上。然而，这些方法在应用于高维场景时存在局限性。为了克服这一挑战，我们开发了一个自适应测试环境，通过整合多个代理模型并优化这些代理模型的组合系数来提高评估效率。我们将优化问题表述为使用二次规划的回归任务。为了通过强化学习高效地获得回归目标，我们提出了密集强化学习方法，并设计了一种具有高样本效率的新自适应策略。本质上，我们的方法侧重于学习那些显示出显著代理-真实差距的关键场景的价值。我们的方法在高维超车场景中得到了验证，表明我们的方法实现了显著的评估效率。
引用
@article{arxiv.2402.19275,
title = {Adaptive Testing Environment Generation for Connected and Automated Vehicles with Dense Reinforcement Learning},
author = {Jingxuan Yang and Ruoxuan Bai and Haoyuan Ji and Yi Zhang and Jianming Hu and Shuo Feng},
journal= {arXiv preprint arXiv:2402.19275},
year = {2024}
}