面向无车道自动驾驶的神经网络引导蒙特卡洛树搜索
人工智能
2026-01-15 v1
摘要
无车道交通环境允许车辆更好地利用道路的横向通行能力而不受保持车道的限制，从而提高了交通流率。因此，我们面临一个独特且更具挑战性的自动驾驶设定。在本工作中，我们考虑了一种用于无车道交通中单智能体自动驾驶的蒙特卡洛树搜索（MCTS）规划方法，其中我们构建的相关马尔可夫决策过程受到与强化学习框架相关的现有方法的启发。此外，MCTS 配备了一个预训练的神经网络（NN）来引导选择阶段。该过程结合了 NN 的预测能力，以便在计算约束下进行更明智的树搜索。在我们的实验评估中，我们考虑了同时涉及安全性（通过碰撞率）和有效性（通过测量速度）的指标。然后，我们考察了： 无车道环境中车辆各向同性状态信息的影响，导致了微推行为——车辆策略由于更快的尾随车辆的存在而做出反应； NN 引导的 MCTS 变体在性能上的加速；以及 计算资源与解质量之间的权衡。
引用
@article{arxiv.2601.09353,
title = {Monte-Carlo Tree Search with Neural Network Guidance for Lane-Free Autonomous Driving},
author = {Ioannis Peridis and Dimitrios Troullinos and Georgios Chalkiadakis and Pantelis Giankoulidis and Ioannis Papamichail and Markos Papageorgiou},
journal= {arXiv preprint arXiv:2601.09353},
year = {2026}
}