利用强化学习在不确定性下为自动驾驶车辆进行运动规划
机器人学
2021-10-05 v1 机器学习
系统与控制
系统与控制
摘要
不确定性下的运动规划是开发自动驾驶车辆的主要挑战之一。本工作中,我们关注由有限视场、遮挡与感知距离引起的感知与探测不确定性。该问题常通过考虑遮挡区域或感知范围外的假设隐藏物体以保证被动安全来解决。然而,这可能导致保守的规划与高昂的计算开销,尤其在需考虑大量假设物体时。我们提出一种基于强化学习(RL)的解决方案,通过针对最坏情况结果进行优化来管理不确定性。该方法与传统RL相反,后者智能体试图最大化平均期望奖励。所提方法构建于分布式RL之上,其策略优化最大化随机结果的下界。该改进可应用于一系列RL算法。作为概念验证,该方法应用于两种不同RL算法:Soft Actor-Critic与DQN。该方法在行人遮挡横穿与有限视场弯道两个挑战性场景下进行评估。算法使用SUMO交通仿真器进行训练与评估。相比常规RL算法,所提方法产生好得多的运动规划行为,且与人类驾驶风格相当。
引用
@article{arxiv.2110.00640,
title = {Motion Planning for Autonomous Vehicles in the Presence of Uncertainty Using Reinforcement Learning},
author = {Kasra Rezaee and Peyman Yadmellat and Simon Chamorro},
journal= {arXiv preprint arXiv:2110.00640},
year = {2021}
}
备注
Paper presented at the IEEE International Conference on Intelligent Robots and Systems (IROS) 2021