EnsembleFollower：一种基于强化学习与分层规划的混合跟车框架
机器人学
2023-08-31 v1 人工智能
机器学习
摘要
跟车模型对我们理解纵向驾驶行为作出了重要贡献。然而，它们常表现出有限的精度与灵活性，因为它们无法完全捕捉跟车过程中固有的复杂性，或由于依赖训练数据中的有限驾驶技能而在未见场景中失效。值得注意的是，每个跟车模型在特定驾驶场景下各有优劣。因此，我们提出EnsembleFollower，一种用于实现先进类人跟车的分层规划框架。EnsembleFollower框架包含一个基于高层强化学习的智能体，负责根据当前状态审慎管理多个底层跟车模型，或通过选择合适的底层模型执行动作，或对所有底层组件分配不同权重。此外，我们提出了一种加加速度约束的运动学模型，用于更可信的跟车仿真。我们基于HighD数据集中的真实驾驶数据对所提方法进行评估。实验结果表明，EnsembleFollower提升了类人行为的精度，并在组合混合模型上取得有效成果，证明我们所提框架能通过利用各类底层模型的优势来处理多样化跟车条件。
引用
@article{arxiv.2308.16008,
title = {EnsembleFollower: A Hybrid Car-Following Framework Based On Reinforcement Learning and Hierarchical Planning},
author = {Xu Han and Xianda Chen and Meixin Zhu and Pinlong Cai and Jianshan Zhou and Xiaowen Chu},
journal= {arXiv preprint arXiv:2308.16008},
year = {2023}
}
备注
12 pages, 10 figures