基于深度强化学习方法的个性化换道决策算法
机器人学
2021-12-28 v1 人工智能
系统与控制
系统与控制
摘要
为面向人类开发驾驶自动化技术,应采用以人为中心的方法以确保安全和满意的用户体验。密集高速公路交通中的自动换道决策具有挑战性,尤其在考虑不同驾驶员的个性化偏好时。为实现以人类驾驶员为中心的决策算法开发,我们在6自由度驾驶模拟器上进行了驾驶员在环实验。基于对三种特定风格驾驶员的换道数据分析,选取个性化指标来描述驾驶员在换道决策中的偏好。然后应用深度强化学习(RL)方法设计类人智能体用于自动换道决策,通过精炼的奖励和损失函数捕捉驾驶员偏好。训练后的RL智能体和基准智能体在双车道高速公路驾驶场景中进行测试,并通过在相同换道初始状态下将智能体与特定驾驶员比较,统计表明所提算法能保证更高的换道决策偏好一致性。驾驶员个性化指标和所提基于RL的换道决策算法有望为自动换道系统开发做出贡献。
引用
@article{arxiv.2112.13646,
title = {Personalized Lane Change Decision Algorithm Using Deep Reinforcement Learning Approach},
author = {Daofei Li and Ao Liu},
journal= {arXiv preprint arXiv:2112.13646},
year = {2021}
}