无人类演示学习在新城市驾驶
机器人学
2026-02-19 v1 机器学习
多智能体系统
摘要
尽管自动驾驶车辆在特定运行区域内已实现可靠性能，但将其部署到新城市仍昂贵且缓慢。一个关键瓶颈是，在适应与训练时看到的道路几何、交通规则和交互模式不同的新城市时，需要收集大量的人类演示轨迹。本文表明，仅使用地图和元信息，而无需来自该城市的任何人类演示，就可以利用自我对弈多智能体强化学习适应新的城市驾驶策略。我们引入 NO data Map-based self-play for Autonomous Driving (NOMAD)，该方法使基于目标城市地图构建的模拟器中能够实现策略适应。使用简单的奖励函数，NOMAD 在目标城市中显著提高了任务成功率和轨迹真实性，表明这是一种有效且可扩展的，无需数据密集型城市迁移方法的替代方案。项目页面: https://nomaddrive.github.io/
引用
@article{arxiv.2602.15891,
title = {Learning to Drive in New Cities Without Human Demonstrations},
author = {Zilin Wang and Saeed Rahmani and Daphne Cornelisse and Bidipta Sarkar and Alexander David Goldie and Jakob Nicolaus Foerster and Shimon Whiteson},
journal= {arXiv preprint arXiv:2602.15891},
year = {2026}
}
备注
Autonomous Driving, Reinforcement Learning, Self-play, Simulation, Transfer Learning, Data-efficient Adaptation. Project Page: https://nomaddrive.github.io/