基于预测启发式的高效博弈论规划用于社会规范遵从的自动驾驶
机器人学
2022-07-11 v1
摘要
在其他智能体存在的社会交互下进行规划是自动驾驶的基本问题。由于自动驾驶车辆在交互中的动作影响其他智能体且受其他智能体影响，自动驾驶车辆需要高效推断其他智能体的反应。大多数现有方法将问题表述为广义纳什均衡问题并通过基于优化的方法求解。然而，它们计算资源需求过大，且因非凸性易陷入局部极小。蒙特卡洛树搜索（MCTS）成功解决了博弈论问题中的此类问题。但随着交互博弈树呈指数增长，通用MCTS仍需大量迭代才能到达最优。本文中，我们基于通用MCTS引入一种高效的博弈论轨迹规划算法，将预测算法作为启发式融入其中。在此基础上，设计了社会规范遵从奖励和贝叶斯推断算法以生成多样化驾驶行为并识别其他驾驶员的驾驶偏好。结果在包含高度交互场景中自然驾驶行为的数据集上证明了所提框架的有效性。
引用
@article{arxiv.2207.03673,
title = {Efficient Game-Theoretic Planning with Prediction Heuristic for Socially-Compliant Autonomous Driving},
author = {Chenran Li and Tu Trinh and Letian Wang and Changliu Liu and Masayoshi Tomizuka and Wei Zhan},
journal= {arXiv preprint arXiv:2207.03673},
year = {2022}
}
备注
IEEE Robotics and Automation Letters 2022 (RA-L with IROS option)