RACE:基于强化学习的协同自动驾驶车辆碰撞避免框架
网络与互联网体系结构
2020-04-06 v1 机器人学
摘要
随着自动驾驶的快速发展,碰撞避免已引起学术界与工业界的关注。近年来涌现出许多碰撞避免策略,但驾驶环境的动态与复杂特性对开发鲁棒的碰撞避免算法提出了挑战。因此,本文中我们提出一个名为 RACE: Reinforced Cooperative Autonomous Vehicle Collision AvoidancE 的去中心化框架。利用分层架构,我们开发了名为 Co-DDPG 的算法以高效训练自动驾驶车辆。通过遵守安全的信道,自动驾驶车辆分发其驾驶策略。我们使用由对方传感器获得的相对距离而非位置来构建 VANET,从而确保车辆的位置隐私。借助领导者-跟随者架构与参数分发,RACE 加速了最优策略的学习并高效利用剩余资源。我们在广泛使用的 TORCS 模拟器中实现 RACE 框架并进行多种实验以衡量其性能。评估表明 RACE 快速学习最优驾驶策略并有效避免碰撞。此外,RACE 在参与车辆数量变化时也平滑扩展。我们进一步将 RACE 与现有自动驾驶系统比较,表明 RACE 在训练过程中经历的碰撞减少 65%,并在不同车辆密度下展现出更优性能。
引用
@article{arxiv.2004.01286,
title = {RACE: Reinforced Cooperative Autonomous Vehicle Collision AvoidancE},
author = {Yali Yuan and Robert Tasik and Sripriya Srikant Adhatarao and Yachao Yuan and Zheli Liu and Xiaoming Fu},
journal= {arXiv preprint arXiv:2004.01286},
year = {2020}
}