基于向量语义表示和符号推理的强化学习增强：面向人类中心的自动紧急制动
机器人学
2026-02-06 v1 机器学习
摘要
现有基于摄像头的深度强化学习方法存在两个问题：一是很少将高层次场景上下文整合到特征表示中，二是依赖刚性、固定的奖励函数。为此，本文提出一种新型管线，产生一种包含语义、空间和形状信息，以及场景中动态实体的空间增强特征的神经符号特征表示，强调安全关键场景用户。还提出一种软一阶逻辑 (SFOL) 奖励函数，通过符号推理模块平衡人类价值观。从分割图中提取语义和空间谓词，并应用于语言规则以获得奖励权重。在CARLA仿真环境中的定量实验表明，所提出的神经符号表示和SFOL奖励函数在不同交通密度和遮挡水平下，相较于基线表示和奖励公式，提高了策略的鲁棒性和安全相关绩效指标。这些发现表明，将整体表示和软推理整合到强化学习中，可支持更具情境感知性和价值对齐决策的自动驾驶。
引用
@article{arxiv.2602.05079,
title = {Reinforcement Learning Enhancement Using Vector Semantic Representation and Symbolic Reasoning for Human-Centered Autonomous Emergency Braking},
author = {Vinal Asodia and Iman Sharifi and Saber Fallah},
journal= {arXiv preprint arXiv:2602.05079},
year = {2026}
}
备注
12 pages, 7 figures, 5 tables