CoMoCAVs：面向联合自主车辆的基于多策略强化学习的协同决策引导运动规划
机器人学
2025-07-22 v1
摘要
自动驾驶需要可靠且高效的解决方案来解决与决策和运动规划密切相关的诸多问题。本文中，决策特指高速路 lane 选择，而运动规划则涉及生成控制命令（如速度和转向）以到达所选 lane。在联合自主车辆 (CAV) 的语境下，实现灵活且安全的 lane 选择，同时实现精确的轨迹执行，仍然是一个重要挑战。本文提出了一种称为协同决策引导运动规划 (CDGMP) 的框架，该框架使用受混合专家 (MoE) 启发式架构结合多策略强化学习，将决策和运动规划紧密集成。通过通过门控机制协调多个专门子网络，方法将复杂的驾驶任务分解为模块化组件。每个子网络专注于驾驶的特定方面，通过仅在推理时激活最相关的模块来提高效率。这一设计还通过模块化专业化来增强安全性。CDGMP 提高了 CAV 在各种交通情景下的适应性和鲁棒性，为现实世界的自主性挑战提供了可扩展的解决方案。特别是采用 MoE 架构的设计原则，也为其他高维决策和控制任务提供了坚实的基础。仿真结果（见 https://youtu.be/_-4OXNHV0UY）表明，在 lane 选择和运动规划方面均表现出可靠性能。
引用
@article{arxiv.2507.14903,
title = {CoMoCAVs: Cohesive Decision-Guided Motion Planning for Connected and Autonomous Vehicles with Multi-Policy Reinforcement Learning},
author = {Pan Hu},
journal= {arXiv preprint arXiv:2507.14903},
year = {2025}
}
备注
8 pages, 5 figures