DRNet:一种基于深度强化学习的自主变道决策方法
机器人学
2024-02-20 v2 人工智能
摘要
机器学习技术在自动驾驶车辆决策方面已超越众多基于规则的方法。尽管近期已有诸多努力,由于复杂驾驶场景及周围车辆多变的社会行为,变道仍是一项重大挑战。为助力提升现有技术水平,我们提出利用新兴的深度强化学习(DRL)方法在战术层面进行变道。为此,我们提出“DRNet”,一种新颖且高效的基于 DRL 的框架,使 DRL 智能体能够通过在对任意车道数的模拟高速公路上执行合理变道来学习驾驶,并考虑周围车辆的驾驶风格以做出更好决策。此外,为实现安全的决策策略,DRNet 融入了安全验证(自动驾驶最重要的组成部分)的思想,以确保任何时刻仅选择安全动作。我们的状态表示与奖励函数设置使训练后的智能体能在类真实模拟器中采取恰当动作。我们的 DRL 智能体能够学习期望任务且不引发碰撞,并优于 DDQN 及其他基线模型。
引用
@article{arxiv.2311.01602,
title = {DRNet: A Decision-Making Method for Autonomous Lane Changingwith Deep Reinforcement Learning},
author = {Kunpeng Xu and Lifei Chen and Shengrui Wang},
journal= {arXiv preprint arXiv:2311.01602},
year = {2024}
}