DQ-GAT:基于深度Q学习与图注意力网络实现安全高效的自动驾驶
机器人学
2022-06-22 v2 人工智能
机器学习
系统与控制
系统与控制
摘要
在多智能体动态交通场景中的自动驾驶具有挑战性:道路使用者的行为不确定且难以显式建模,自车应与其应用复杂的协商技巧,如让行、汇入和轮流,以在各种设定下实现安全且高效的驾驶。传统规划方法主要基于规则,在这些复杂动态场景中可扩展性差,常导致被动甚至过度保守的行为。因此,它们需要繁琐的人工维护以保证可用性。近来,基于深度学习的方法以更好的泛化能力和更少的手工工程付出展现出有前景的结果。然而,它们要么采用监督模仿学习(IL)实现,存在数据集偏差与分布失配问题,要么用深度强化学习(DRL)训练但聚焦于某一特定交通场景。本工作中,我们提出DQ-GAT以实现可扩展且主动的自动驾驶,其中基于图注意力的网络用于隐式建模交互,深度Q学习用于以无监督方式端到端训练网络。在高保真驾驶模拟器中的大量实验表明,我们的方法比先前基于学习的方法和传统基于规则的方法具有更高的成功率,并在已见与未见场景中更好地权衡安全性与效率。此外,在轨迹数据集上的定性结果表明,我们学到的策略可迁移至真实世界以实时速度实际应用。演示视频见 https://caipeide.github.io/dq-gat/。
引用
@article{arxiv.2108.05030,
title = {DQ-GAT: Towards Safe and Efficient Autonomous Driving with Deep Q-Learning and Graph Attention Networks},
author = {Peide Cai and Hengli Wang and Yuxiang Sun and Ming Liu},
journal= {arXiv preprint arXiv:2108.05030},
year = {2022}
}
备注
Accepted to IEEE Transactions on Intelligent Transportation Systems (T-ITS), 2022