基于分层逆强化学习的驾驶交互行为概率预测
机器学习
2018-09-11 v1 人工智能
机器人学
机器学习
摘要
自动驾驶车辆（AVs）已行驶在道路上。为了与其他道路参与者安全高效地交互，自动驾驶车辆必须准确预测周围车辆的行为并相应规划。此类预测应是概率性的，以应对人类行为中的不确定性。此类预测还应是交互性的，因为被预测车辆的所有可能轨迹的分布不仅取决于历史信息，还取决于与其交互的其他车辆的未来规划。为实现这种感知交互的预测，我们提出了一种基于分层逆强化学习（IRL）的概率预测方法。首先，我们显式考虑人类驾驶员涉及离散与连续驾驶决策的轨迹生成分层过程。在此基础上，被预测车辆所有未来轨迹的分布被表述为按离散决策划分的分布混合。然后我们分层应用 IRL 从真实人类示范中学习这些分布。给出了一个匝道汇流驾驶场景的案例研究。定量结果表明，所提方法能够准确预测让行或通行等离散驾驶决策以及连续轨迹。
引用
@article{arxiv.1809.02926,
title = {Probabilistic Prediction of Interactive Driving Behavior via Hierarchical Inverse Reinforcement Learning},
author = {Liting Sun and Wei Zhan and Masayoshi Tomizuka},
journal= {arXiv preprint arXiv:1809.02926},
year = {2018}
}
备注
ITSC2018