通过主动感知学习视角遮挡感知决策：基于智能体交互
机器人学
2025-04-10 v3
摘要
视角遮挡感知决策是自动驾驶中必不可少的任务，由于各种遮挡的高不确定性。近期的视角遮挡感知决策方法面临计算复杂度高、场景可扩展性差或依赖有限专家数据等问题。受益于通过探索随机化自动生成数据， 我们发现强化学习 (RL) 在视角遮挡感知决策方面可能具有潜力。然而， 以往的视角遮挡感知 RL 在扩展到各种动态和静态遮挡场景方面、学习效率低以及缺乏预测能力方面面临挑战。为解决这些问题，我们引入 Pad-AI 框架，通过主动感知学习视角遮挡感知决策。Pad-AI 使用向量化表示有效地表示被遮挡的环境，并学习语义运动原语以聚焦于高层次的主动感知探索。此外，Pad-AI 将预测与 RL 集成到统一的框架中，以提供风险感知学习和安全保证。我们在动态和静态遮挡的具挑战性场景中进行测试，证明其在封闭环评估中对其他强大基线实现了有效且通用的感知感知探索性能。
引用
@article{arxiv.2409.17618,
title = {Learning Occlusion-aware Decision-making from Agent Interaction via Active Perception},
author = {Jie Jia and Yiming Shu and Zhongxue Gan and Wenchao Ding},
journal= {arXiv preprint arXiv:2409.17618},
year = {2025}
}
备注
Accepted by IEEE Intelligent Vehicles Symposium (IV)