面向大规模自动驾驶的动态局部增强规划器
机器人学
2025-03-03 v1 人工智能
摘要
当前的自动驾驶车辆主要在有限区域内运行，但对其更广泛应用的需求日益增长。然而，随着模型规模的扩大，其有限的容量成为适应新场景的重大挑战。使用单一的整体模型来改进新场景下的表现愈发困难。为解决这一问题，我们引入了利用局部驾驶数据动态增强基础驾驶规划器的概念，且不永久修改规划器本身。该方法被称为动态局部增强（DLE）规划器，旨在在不显著扩大规划器规模的前提下，提升自动驾驶系统的可扩展性。该方法引入了位置变化的 Markov 决策过程表述，并结合图神经网络从局部观测数据中提取特定区域的驾驶特征。所学特征描述了周围物体的局部行为，随后被用于增强基于强化学习的基础策略。我们在多种场景中评估了该方法，并将其与“一刀切”驾驶模型进行了比较。结果表明，我们的方法在安全性（碰撞率）和平均奖励方面均优于基线策略，同时保持了更轻量的规模。该方法有望在不大幅扩展车载驾驶模型的情况下，使大规模自动驾驶车辆受益。
引用
@article{arxiv.2502.21134,
title = {Dynamically Local-Enhancement Planner for Large-Scale Autonomous Driving},
author = {Nanshan Deng and Weitao Zhou and Bo Zhang and Junze Wen and Kun Jiang and Zhong Cao and Diange Yang},
journal= {arXiv preprint arXiv:2502.21134},
year = {2025}
}