基于近端策略优化的深度强化学习的自动变道策略
机器学习
2020-05-22 v2 人工智能
机器人学
信号处理
摘要
变道操作通常由驾驶员执行，以遵循特定路线规划、超越慢速车辆、适应前方合流车道等。然而，不当的变道行为可能是交通流中断甚至碰撞的主要原因。尽管已提出许多基于规则的方法来解决自动驾驶的变道问题，但由于驾驶环境的不确定性与复杂性，它们往往表现出有限的性能。基于机器学习的方法提供了一种替代途径，因为深度强化学习（DRL）已在包括机器人操控、导航和视频游戏在内的许多应用领域中展现出可喜的成功。然而，将 DRL 应用于自动驾驶在学习的慢速率、样本低效与安全顾虑方面仍面临诸多实际挑战。在本研究中，我们提出一种使用基于近端策略优化的深度强化学习的自动变道策略，其在学习效率上展现出巨大优势，同时仍保持稳定的性能。训练所得的智能体能够学习平滑、安全且高效的驾驶策略，以在密集交通场景等挑战性情境中做出变道决策（即何时及如何变道）。所提策略的有效性通过使用任务成功率与碰撞率指标得到验证。仿真结果表明，变道操作能够以安全、平滑且高效的方式被有效学习并执行。
引用
@article{arxiv.2002.02667,
title = {Automated Lane Change Strategy using Proximal Policy Optimization-based Deep Reinforcement Learning},
author = {Fei Ye and Xuxin Cheng and Pin Wang and Ching-Yao Chan and Jiucai Zhang},
journal= {arXiv preprint arXiv:2002.02667},
year = {2020}
}