基于Frenet空间的端到端深度强化学习长短时规划方法
机器人学
2020-11-30 v1 人工智能
系统与控制
系统与控制
摘要
由于预测其他道路使用者行为的复杂性、环境的多样性以及交通交互的复杂性，自动驾驶高速公路的战术决策与策略运动规划颇具挑战。本文提出一种面向自动驾驶汽车决策与运动规划的端到端连续深度强化学习新方法。我们首次在Frenet空间上定义状态与动作空间，使驾驶行为相对于道路曲率的变异小于周围参与者动态与交通交互的变异。智能体接收周围车辆历史轨迹的时间序列数据，并沿时间通道应用卷积神经网络在主干中提取特征。该算法在Frenet坐标系上生成连续时空轨迹供反馈控制器跟踪。在CARLA上的大量高保真高速公路仿真显示了所提方法相较常用基线及离散强化学习在各种交通场景下的优越性。此外，通过对1000个随机生成测试场景更全面的性能评估，证实了该方法的优势。
引用
@article{arxiv.2011.13098,
title = {An End-to-end Deep Reinforcement Learning Approach for the Long-term Short-term Planning on the Frenet Space},
author = {Majid Moghadam and Ali Alizadeh and Engin Tekin and Gabriel Hugh Elkaim},
journal= {arXiv preprint arXiv:2011.13098},
year = {2020}
}
备注
submitted to International Conference on Robotics and Automation (ICRA 2021)