基于预测性个人世界模型的梦到驾驶
机器人学
2025-01-29 v1 计算机视觉与模式识别
机器学习
摘要
在复杂城市环境中实现具有路使用者意图未知性的反应性驾驶行为仍是一个具有挑战性的课题。基于模型的强化学习（MBRL）通过构建能够提供信息性状态和幻想训练的世界模型，具有巨大的潜力来学习反应性策略。然而，相关研究的关键局限性在于场景级重构表示学习，这可能忽略关键交互车辆，难以建模车辆之间的交互特征及其长期意图。因此，本文提出了一种新型MBRL方法，称为预测性个人世界模型（Predictive Individual World Model, PIWM），用于自动驾驶。PIWM从个人层面描述驾驶环境，通过轨迹预测任务捕获车辆的交互关系及其意图。同时，联合学习PIWM的行为策略。它在PIWM的幻想中进行训练，有效地在城市驾驶场景中利用意图感知的潜在状态进行导航。该方法在建立于真实世界具有挑战性交互情景的仿真环境中进行训练和评估。与流行的基于模型无关和最先进的基于模型的强化学习方法相比，实验结果表明，所提出的方法在安全性和效率方面实现了最佳性能。
引用
@article{arxiv.2501.16733,
title = {Dream to Drive with Predictive Individual World Model},
author = {Yinfeng Gao and Qichao Zhang and Da-wei Ding and Dongbin Zhao},
journal= {arXiv preprint arXiv:2501.16733},
year = {2025}
}
备注
Codes: https://github.com/gaoyinfeng/PIWM