基于连续蒙特卡洛树搜索的自动驾驶车辆分散式协同规划
人工智能
2020-02-04 v1 机器人学
摘要
城市场景常要求交通参与者高度协作以保障安全与效率。人类通过观察他人行为推断其是否合作。本工作旨在扩展自动驾驶车辆的能力，使其能在异构环境中隐式协作。连续动作允许任意轨迹，因此比现有离散动作空间的协作方法适用于更广泛的问题类别。基于对其它智能体的协作建模，蒙特卡洛树搜索（MCTS）结合 Decoupled-UCT 以协作且分散的方式评估各智能体的动作值，尊重交通参与者间动作的相互依赖。对连续动作空间的扩展通过引入新颖的 MCTS 专用增强以实现高效搜索空间探索来解决。所提算法在不同场景下评估，表明其能够实现有效协同规划并生成以自我为中心规划无法发现的方案。
引用
@article{arxiv.1809.03200,
title = {Decentralized Cooperative Planning for Automated Vehicles with Continuous Monte Carlo Tree Search},
author = {Karl Kurzer and Florian Engelhorn and J. Marius Zöllner},
journal= {arXiv preprint arXiv:1809.03200},
year = {2020}
}