IRL-DAL：基于能量引导的扩散模型自主驾驶安全自适应轨迹规划
机器人学
2026-02-02 v1 人工智能
摘要
本文提出一种 novel 的逆强化学习框架，使用基于扩散的自适应前瞻规划器（IRL-DAL）用于自动驾驶。训练开始于从专家有限状态机（FSM）控制器进行模仿，以提供稳定的初始化。环境项与IRL判别器信号组合，对齐专家目标。随后进行强化学习（RL），采用混合奖励函数，融合扩散环境反馈和针对性IRL奖励。条件扩散模型充当安全监督员，规划安全路径，确保车辆保持车道、避开障碍物、平顺运动。随后，learnable adaptive mask（LAM）改进感知，根据车辆速度和附近障碍物调整视觉注意力。FSM-based模仿后，策略使用近端策略优化（PPO）进行精细调优。训练在Webots仿真器中进行，采用两阶段课程。达到96%的成功率，碰撞率降至每1000步0.05次，标志着安全导航的新基准。通过应用所提出的方法，智能体不仅在车道内驾驶，还能在专家水平上处理不安全条件，提高鲁棒性。我们使代码公开可用。
引用
@article{arxiv.2601.23266,
title = {IRL-DAL: Safe and Adaptive Trajectory Planning for Autonomous Driving via Energy-Guided Diffusion Models},
author = {Seyed Ahmad Hosseini Miangoleh and Amin Jalal Aghdasian and Farzaneh Abdollahi},
journal= {arXiv preprint arXiv:2601.23266},
year = {2026}
}