基于逆强化学习的随机驾驶员行为学习
机器学习
2021-08-09 v4 系统与控制
系统与控制
摘要
驾驶员在交通中操控车辆时具有独特且丰富的驾驶行为。本文提出一种新颖的驾驶员行为学习方法，可捕捉真实驾驶场景下人类驾驶员行为的独特性与丰富性。我们提出一种随机逆强化学习（SIRL）方法，用于学习代价函数的分布，该分布以给定的一组驾驶员特定演示样本表征人类驾驶员行为的丰富性。评估在三维驾驶员在环驾驶仿真采集的真实驾驶数据上进行。结果表明，所学习的随机驾驶员模型能够表达不同真实驾驶场景下人类驾驶策略的丰富性。与确定性基线驾驶员行为模型相比，结果表明所提随机驾驶员行为模型能更好地在多种交通条件下复现驾驶员独特且丰富的驾驶策略。
引用
@article{arxiv.2107.06344,
title = {Inverse Reinforcement Learning Based Stochastic Driver Behavior Learning},
author = {Mehmet Fatih Ozkan and Abishek Joseph Rocque and Yao Ma},
journal= {arXiv preprint arXiv:2107.06344},
year = {2021}
}
备注
Accepted to 2021 Modeling, Estimation and Control Conference (MECC)