增强安全性的深度强化学习用于自主高速公路驾驶
系统与控制
2020-04-24 v2 机器人学
系统与控制
摘要
本文提出一种用于自动驾驶的安全深度强化学习系统。所提框架结合了基于规则与基于学习的方法各自的优势以保障安全。我们的安全系统由两个模块组成，即手工安全模块与动态学习安全模块。手工安全模块是一种基于常见驾驶实践的启发式安全规则，可确保与交通车辆之间的最小相对间距。另一方面，动态学习安全模块是一种数据驱动的安全规则，从驾驶数据中学习安全模式。具体而言，动态学习安全模块在强化学习的即时奖励之外引入了模型前瞻，以更长远地预测安全性。若某一未来状态导致险情或碰撞，则向奖励函数分配负奖励，以避免碰撞并加速学习过程。我们在具有不同交通密度的仿真环境中展示了所提框架的能力。结果表明，经动态学习安全模块增强的策略具有优越性能。
引用
@article{arxiv.1910.12905,
title = {Deep Reinforcement Learning with Enhanced Safety for Autonomous Highway Driving},
author = {Ali Baheri and Subramanya Nageshrao and H. Eric Tseng and Ilya Kolmanovsky and Anouck Girard and Dimitar Filev},
journal= {arXiv preprint arXiv:1910.12905},
year = {2020}
}