从自然驾驶数据中学习以实现类人自动驾驶高速公路行驶

以类人方式驾驶对于自动驾驶汽车成为智能且可预测的交通参与者至关重要。为实现这一目标，运动规划模块的参数需要仔细调优，这需要巨大的努力和专家知识。本研究提出了一种从自然驾驶数据中学习运动规划器代价参数的方法。该学习通过鼓励所选轨迹在相同交通情境下逼近人类驾驶轨迹来实现。所采用的运动规划器遵循一种广泛接受的方法论，即首先在轨迹空间中采样候选轨迹，然后选择代价最小的轨迹作为规划轨迹。此外，除了舒适性、效率与安全性等传统因素外，所提出的代价函数还融入了类似人类驾驶员的行为决策激励，从而将换道决策与运动规划耦合到同一个框架中。提出并实现了两种类型的车道激励代价——启发式与基于学习的。为验证所提方法的有效性，利用在北京高速公路上采集的人类驾驶员自然轨迹数据构建了一个数据集，其中包含向左换道、向右换道及跟车样本。针对换道决策和运动规划进行了实验，并取得了令人鼓舞的结果。