基于深度强化学习的自动停车轨迹生成
机器人学
2025-05-01 v1
摘要
自动停车是现代自动驾驶系统的关键技术，要求在复杂环境中具备高精度、强适应性和效率。本文提出一种基于软动作-评论家（SAC）算法的深度强化学习（DRL）框架，以优化自动停车任务。SAC是一种具有熵正则化的离策略方法，特别适用于连续动作空间，实现细粒度的车辆控制。我们将停车任务建模为马尔可夫决策过程（MDP），训练智能体通过熵最大化平衡探索与开发，以最大化累积奖励。该系统将多传感器输入整合到高维状态空间，并利用SAC的双评论家网络和策略网络实现稳定学习。仿真结果表明，SAC方法实现了高停车成功率、缩短的机动时间以及对动态障碍物的鲁棒处理能力，优于传统规则方法和其他DRL算法。本研究表明了SAC在自动停车中的潜力，为实际应用奠定了基础。
引用
@article{arxiv.2504.21071,
title = {Automated Parking Trajectory Generation Using Deep Reinforcement Learning},
author = {Zheyu Zhang and Yutong Luo and Yongzhou Chen and Haopeng Zhao and Zhichao Ma and Hao Liu},
journal= {arXiv preprint arXiv:2504.21071},
year = {2025}
}