不确定环境下基于蒙特卡洛树搜索与风险度量的协同轨迹规划
多智能体系统
2022-11-15 v3 人工智能
机器人学
摘要
自动驾驶车辆需要与人协作的能力，以顺利融入当今交通。尽管协作概念已为人熟知，开发鲁棒高效的协同轨迹规划方法仍具挑战。该挑战的一个方面是由于传感器精度有限导致的环境状态不确定性。这种不确定性可由部分可观测马尔可夫决策过程表示。我们的工作通过扩展一种基于连续动作空间蒙特卡洛树搜索的现有协同轨迹规划方法来解决此问题。具体做法是以根信念状态的形式显式建模不确定性，并从中采样树起始状态。在用蒙特卡洛树搜索构建树后，使用核回归将其结果聚合成回报分布。我们在最终选择中应用两种风险度量，即下置信界和条件风险价值。可以证明，在最终选择策略中集成风险度量在不确定环境下始终优于基线，生成明显更安全的轨迹。
引用
@article{arxiv.2203.04452,
title = {Cooperative Trajectory Planning in Uncertain Environments with Monte Carlo Tree Search and Risk Metrics},
author = {Philipp Stegmaier and Karl Kurzer and J. Marius Zöllner},
journal= {arXiv preprint arXiv:2203.04452},
year = {2022}
}