通过多残差任务学习泛化协同生态驾驶

传统控制（如基于模型的控制）因其效率和可靠性而常用于自动驾驶。然而，现实世界的自动驾驶面临着多种多样的交通场景，这对这些规划算法构成了挑战。无模型深度强化学习（DRL）在此方向上展现出一条充满希望的途径，但学习能够泛化到多种交通场景的 DRL 控制策略仍然是一个挑战。为此，我们引入了多残差任务学习（MRTL），这是一种基于多任务学习的通用学习框架，针对一组任务场景，将控制分解为由传统控制方法有效解决的标称分量和由学习解决的残差项。我们将 MRTL 应用于混合交通中的车队级减排，利用自动驾驶车辆作为系统控制手段。通过分析 MRTL 在近 600 个信号交叉口和 1200 个交通场景中的表现，我们证明它是一种有前景的方法，能够协同 DRL 与传统方法的优势，实现可泛化的控制。