面向动力学不确定的智能车辆的基于学习的近最优运动规划
机器人学
2023-08-10 v2
摘要
运动规划是实现智能车辆安全灵活机动的重要研究课题。然而，在模型动力学存在不确定性的情况下，实现高效且最优的规划仍具挑战。本文提出一种基于稀疏核的带高斯过程（GP）回归的强化学习（RL）算法（称为 GP-SKRL），以实现在线自适应与近最优运动规划性能。该算法中，我们设计了一种高效的稀疏 GP 回归方法来学习不确定动力学。基于更新后的模型，设计了一种带指数障碍函数的稀疏核策略迭代算法，以学习具备规避动态障碍物能力的近最优规划策略。从而，具有在线自适应能力的批处理模式 GP-SKRL 可估计变化的系统动力学。收敛的 RL 策略随后在安全感知模块下高效部署于车辆。结果表明，生成的驾驶动作安全且保守性更低，规划性能明显提升。大量仿真结果表明，GP-SKRL 在平均累积代价、轨迹长度和任务完成时间方面优于多种先进运动规划方法。特别地，在红旗 E-HS3 车辆上的实验表明，优越的 GP-SKRL 提供了一种实用的规划方案。
引用
@article{arxiv.2308.03264,
title = {Learning-based Near-optimal Motion Planning for Intelligent Vehicles with Uncertain Dynamics},
author = {Yang Lu and Xinglong Zhang and Xin Xu and Weijia Yao},
journal= {arXiv preprint arXiv:2308.03264},
year = {2023}
}
备注
10 pages, 12 figures, submitted to RAL