基于深度多智能体强化学习的自动驾驶车辆与行人交互建模以规避碰撞
机器人学
2022-07-26 v3 人工智能
机器学习
多智能体系统
摘要
可靠的行人碰撞避免缓解（PCAM）系统是安全自动驾驶车辆（AVs）的关键组成部分。车辆—行人交互中一方决策直接影响另一方最优行为、反之亦然，这一性质是此类系统面临的一个具挑战性却常被忽视的方面。我们通过为无标线人行横道处的模拟 AV—行人交互建模一个马尔可夫决策过程（MDP）来解决该问题。AV 的 PCAM 决策策略通过深度强化学习（DRL）习得。由于真实建模行人具有挑战性，我们比较了两种智能水平的行人行为。基线模型遵循预定义策略，而我们先进的行人模型被定义为第二个 DRL 智能体。该模型捕捉持续学习与人类行为固有的不确定性，使 AV—行人交互成为深度多智能体强化学习（DMARL）问题。我们根据碰撞率及由此产生的交通流效率对所开发的 PCAM 系统进行基准测试，重点关注观测不确定性对智能体决策的影响。结果表明，在大多数所考察条件下 AV 能够完全避免碰撞，且 DRL 行人模型习得了智能的过街行为。
引用
@article{arxiv.2109.15266,
title = {Modeling Interactions of Autonomous Vehicles and Pedestrians with Deep Multi-Agent Reinforcement Learning for Collision Avoidance},
author = {Raphael Trumpp and Harald Bayerlein and David Gesbert},
journal= {arXiv preprint arXiv:2109.15266},
year = {2022}
}
备注
IEEE Intelligent Vehicles Symposium 2022