将运动学与环境上下文集成到深度逆强化学习中以预测越野车辆轨迹
机器人学
2018-10-18 v1 人工智能
机器学习
摘要
从第三人称视角预测移动智能体的运动是多机器人应用（如自主导航与跟踪）的重要组成。通过对其他智能体运动的准确预测，机器人可规划更智能的行为以实现指定目标，而非纯粹以反应式方式行动。先前工作仅通过滤波运动学或使用手工设计与学习得到的环境表示来处理运动预测。我们提出一种新方法，将运动学与环境上下文集成到逆强化学习（IRL）框架中以进行轨迹预测，而非将二者分离。为避免运动学导致状态空间复杂度指数增长，我们提出一种两阶段神经网络架构，将运动与环境共同考虑以恢复奖励函数。第一阶段网络利用低层LiDAR统计学习环境特征表示，第二阶段网络将这些学习到的特征与运动学数据结合。我们采集了超过30 km的越野驾驶数据，并通过实验验证该方法能有效提取有用的环境与运动学特征。我们生成了车辆未来轨迹分布的准确预测，编码了复杂行为（如道路交叉口处的多模态分布），甚至可根据车速在同一交叉口显示不同预测。
引用
@article{arxiv.1810.07225,
title = {Integrating kinematics and environment context into deep inverse reinforcement learning for predicting off-road vehicle trajectories},
author = {Yanfu Zhang and Wenshan Wang and Rogerio Bonatti and Daniel Maturana and Sebastian Scherer},
journal= {arXiv preprint arXiv:1810.07225},
year = {2018}
}
备注
CoRL 2018