密集交通场景下用于运动规划的交互感知引导策略学习
机器人学
2021-07-12 v1 人工智能
摘要
在密集交通场景中的自主导航对自动驾驶车辆（AVs）而言仍然具有挑战性，因为其他驾驶员的意图不可直接观测，且AVs必须应对广泛的驾驶行为。为了在密集交通中行驶，AVs必须能够推理其动作如何影响他人（交互模型），并利用该推理安全地穿越密集交通。本文提出了一种用于密集交通场景中交互感知运动规划的新框架。我们探究了人类驾驶行为与其交互时速度变化之间的联系。因此，我们提出通过深度强化学习（RL）学习一种交互感知策略，该策略向基于优化的规划器提供关于其他车辆协作性的全局引导，并通过约束满足确保安全性与运动学可行性。所学习的策略能够推理并以交互行为引导局部基于优化的规划器，在密集交通中主动并入，同时在其他车辆不让行时保持安全。我们在高度交互的仿真环境（高速公路并入与无保护左转）中针对两种基线方法（一种基于学习的方法和一种基于优化的方法）给出了定性与定量结果。所呈现的结果表明，与基于学习和基于优化的基线相比，我们的方法显著减少了碰撞次数并提高了成功率。
引用
@article{arxiv.2107.04538,
title = {Learning Interaction-aware Guidance Policies for Motion Planning in Dense Traffic Scenarios},
author = {Bruno Brito and Achin Agarwal and Javier Alonso-Mora},
journal= {arXiv preprint arXiv:2107.04538},
year = {2021}
}