用于自动驾驶行为规划的蒙特卡洛树搜索
机器人学
2023-10-19 v1
摘要
自动驾驶车辆在城市与高速公路环境中的集成，需要开发稳健且可适应的行为规划系统。本研究提出一种创新方法，利用基于蒙特卡洛树搜索（MCTS）的算法进行自动驾驶行为规划，以应对该挑战。核心目标是通过利用 MCTS 固有的探索与利用之间的平衡，在复杂场景中促成智能驾驶决策。我们引入一种针对自动驾驶特定需求定制的基于 MCTS 的算法。这涉及将精心设计的成本函数（涵盖安全性、舒适性与通行性度量）集成到 MCTS 框架中。我们的方法的有效性通过使自动驾驶车辆能够在实时下导航诸如交叉口、无保护左转、切入和匝道等复杂场景（即便在交通拥堵下）得到展示。定性实例说明了将车道变换、加速与减速等多样驾驶决策集成到 MCTS 框架中。此外，通过考察迭代时间与前瞻步数对决策质量及实时适用性影响的定量结果，证实了我们的方法的稳健性。这种稳健性进一步由 MCTS 算法在各场景中的高成功率所凸显。
引用
@article{arxiv.2310.12075,
title = {Monte-Carlo Tree Search for Behavior Planning in Autonomous Driving},
author = {Qianfeng Wen and Zhongyi Gong and Lifeng Zhou and Zhongshun Zhang},
journal= {arXiv preprint arXiv:2310.12075},
year = {2023}
}
备注
6 pages, 3 figures