通过集成深度强化学习框架提升自动驾驶车辆高速巡航性能
系统与控制
2024-04-24 v1 系统与控制
摘要
混合交通的高速巡航场景极大挑战了自动驾驶车辆的道路安全。与仅孤立研究基础模块的现有工作不同，本文通过提出一个综合行为决策、路径规划和运动控制三个基础模块的集成框架，提升了自动驾驶车辆在混合交通高速巡航场景下的安全性。考虑到集成框架会增加系统复杂性，采用 Bootstrapped Deep Q-Network (DQN) 来增强强化学习方法的深度探索，并实现自动驾驶车辆的自适应决策。此外，为了使自动驾驶车辆的行为能被周围人类驾驶车辆理解，以防止因误解导致的意外操作，我们推导了一种逆强化学习 方法来学习熟练驾驶员的奖励函数，用于车道变换机动的路径规划。这种设计使自动驾驶车辆能够在多项性能要求之间实现类人的权衡。仿真表明，所提出的集成框架能够引导自动驾驶车辆采取安全动作，同时保证高速巡航性能。
引用
@article{arxiv.2404.14713,
title = {Enhancing High-Speed Cruising Performance of Autonomous Vehicles through Integrated Deep Reinforcement Learning Framework},
author = {Jinhao Liang and Kaidi Yang and Chaopeng Tan and Jinxiang Wang and Guodong Yin},
journal= {arXiv preprint arXiv:2404.14713},
year = {2024}
}