ParkingWorld：基于纠错经验的3DGS仿真中端到端自主停车强化学习
机器人学
2026-05-27 v2
摘要
自动停车需要在狭窄、杂乱且高度受约束的环境中进行精确的低速机动，车辆必须在 navigating tight spaces 的同时避开静态障碍物和复杂的几何边界。与需要大量高质量专家演示才能收敛到稳定策略并常常在未见情景下受限于泛化能力不同，传统强化学习(RL)方法面临训练开销过大、探索效率低乃至在挑战性环境中无法学习到可行停车策略的持久挑战。为此，本文提出了一种基于纠错经验的样本高效强化学习(CIL-SERL)框架，用于端到端自主停车，该框架完全在逼真的3D高斯溶解(3DGS)停车模拟器中进行训练，该模拟器能够高保真地重建真实世界场景。灵感来自用于学习实践的纠错笔记本，我们设计了一种新型的多层回放缓冲区机制。这些缓冲区在独立但相互关联的记忆区域中层次化组织和存储标准RL rollout、人类纠错干预、失败的探索轨迹和基于回滚的纠错片段，促进训练期间的结构化抽样和有针对性的学习。该框架在3DGS仿真环境和物理车辆平台上进行了系统评估。广泛的实验结果表明，我们的方法在各种场景下在停车成功率、操作效率和安全性能方面实现了显著的改进，验证了基于CIL-SERL的端到端自主停车解决方案的有效性和实际适用性。
引用
@article{arxiv.2605.25029,
title = {ParkingWorld: End-to-End Autonomous Parking Reinforcement Learning from Corrective Experience in 3DGS Simulation},
author = {Zhengcheng Yu and Changze Li and Haoran Liu and Tong Qin},
journal= {arXiv preprint arXiv:2605.25029},
year = {2026}
}
备注
9 pages(including 1 page of Appendix), 6 figures. Will be submitted to RA-L 2026