基于潜在深度强化学习与示范的高效通用端到端自动驾驶系统
机器人学
2025-09-11 v8 人工智能
机器学习
摘要
智能驾驶系统应根据当前环境和车辆状态动态制定合适的驾驶策略，同时确保系统安全性和可靠性。然而，基于强化学习和模仿学习的方法通常存在样本复杂度高、泛化能力差和安全性低的问题。为解决这些挑战，本文介绍了一种高效且通用的端到端自动驾驶系统（EGADS），适用于复杂多变场景。我们EGADS中的RL智能体将变分推理与归一化流相结合，这些方法独立于分布假设。这种结合使智能体能够在潜在空间中有效捕获与驾驶相关的历史信息，从而显著降低样本复杂度。此外，我们通过制定鲁棒的安全约束来增强安全性，并通过将强化学习与专家示范相结合来提高泛化能力和性能。实验结果表明，与现有方法相比，EGADS显著降低了样本复杂度，大大提高了安全性能，并在复杂的城市场景中表现出强大的泛化能力。特别地，我们贡献了一个通过人类专家方向盘控制（具体使用G29方向盘）收集的专家数据集。
引用
@article{arxiv.2401.11792,
title = {Efficient and Generalized end-to-end Autonomous Driving System with Latent Deep Reinforcement Learning and Demonstrations},
author = {Zuojin Tang and Xiaoyu Chen and Yongqiang Li and Jianyu Chen},
journal= {arXiv preprint arXiv:2401.11792},
year = {2025}
}
备注
Accepted by ECML PKDD 2025 (Research Track)