应对混合交通流中人类驾驶车辆错误导致的即将碰撞情况：一种基于模型的强化学习方法用于CAV
机器人学
2021-10-13 v1 系统与控制
系统与控制
摘要
预计全自动驾驶汽车时代之前将有一个漫长的“过渡期”，交通流将是混合的，即由网联自动驾驶汽车（CAV）、人类驾驶汽车（HDV）和网联人类驾驶汽车（CHDV）组成。认识到公众对CAV的接受程度将取决于自动驾驶系统的安全性能，并且在过渡期早期可能存在安全挑战，因此大量研究工作致力于开发具有安全意识的自动驾驶系统。然而，关于如何处理由CAV附近道路上行驶的违规人类驾驶汽车（HDV）引起的即将发生碰撞的情况，文献中似乎存在空白。在本文中，我们开发了一个简单的基于模型的强化学习（RL）系统，可部署在CAV中，以生成能够预测并避免由HDV驾驶员引起的潜在碰撞的轨迹。该模型采用端到端的数据驱动方法，包含基于深度学习的运动预测模型和基于模型预测控制（MPC）的快速轨迹规划算法。所提出的系统不需要关于物理环境（包括车辆动力学）的先验知识或假设，因此是一种通用方法，可部署在任何类型的车辆（如卡车、公共汽车、摩托车等）上。该框架在CARLA模拟器中针对多种碰撞即将发生的情景进行了训练和测试，结果表明，即使在高度紧凑和危险的情况下，所提出的模型也能以高成功率（>85%）避免碰撞。
引用
@article{arxiv.2110.05556,
title = {Addressing crash-imminent situations caused by human driven vehicle errors in a mixed traffic stream: a model-based reinforcement learning approach for CAV},
author = {Jiqian Dong and Sikai Chen and Samuel Labi},
journal= {arXiv preprint arXiv:2110.05556},
year = {2021}
}
备注
Under review for presentation at TRB 2022 Annual Meeting