基于分层规划与强化学习的多车道巡航
机器人学
2021-10-05 v1 机器学习
系统与控制
系统与控制
摘要
熟练的多车道巡航需要利用变道与车道内机动来实现良好车速并保持安全。本文提出一种通过结合分层强化学习框架与新颖的状态-动作空间抽象来实现自动驾驶多车道巡航的设计。所提出的方案遵循行为决策、运动规划与控制的经典分层结构，但在运动规划器中引入了一个关键的中间抽象，以根据高层行为决策对状态-动作空间进行离散化。我们认为，与采用整体行为克隆或大量手写规则相比，该设计允许对运动规划进行原理性的模块化扩展。此外，我们证明了我们的状态-动作空间抽象能够在无需重新训练的情况下，将训练好的模型从几乎无动力学的仿真环境迁移到动力学显著更真实的环境。综上，这些结果表明我们提出的分层架构是一种有前景的途径，可使强化学习应用于现实世界中复杂的多车道巡航。
引用
@article{arxiv.2110.00650,
title = {Multi-lane Cruising Using Hierarchical Planning and Reinforcement Learning},
author = {Kasra Rezaee and Peyman Yadmellat and Masoud S. Nosrati and Elmira Amirloo Abolfathi and Mohammed Elmahgiubi and Jun Luo},
journal= {arXiv preprint arXiv:2110.00650},
year = {2021}
}
备注
Paper presented at the IEEE Intelligent Transportation Systems Conference (ITSC) 2019