面向自动驾驶车辆的道路交通法规自适应决策

自动驾驶车辆具备在开放道路行驶的自身智能。然而，车辆管理者（如政府或产业公司）仍需要一种方式告知这些自动驾驶车辆哪些行为被鼓励或禁止。不同于人类驾驶员，当前自动驾驶车辆无法理解交通法规，因而依赖程序员将相应规则手动写入驾驶系统。这种方式效率较低且难以适应某些临时交通法规，尤其在车辆采用数据驱动决策算法时。此外，当前自动驾驶车辆系统很少考虑交通法规的修订。本工作旨在设计一种道路交通法规自适应决策方法。该决策算法基于强化学习设计，其中交通规则通常隐式编码于深度神经网络中。主要思想是通过法规自适应备份策略赋予自动驾驶车辆对交通法规的适应性。本工作中，基于自然语言的交通法规首先经线性时序逻辑(Linear Temporal Logic)方法转化为逻辑表达式。随后，系统通过设计长期RL动作空间提前监测自动驾驶车辆是否可能违反交通法规。最后，当车辆可能违规时，基于采样的规划方法将重新规划轨迹。该方法在北京冬奥车道场景与超车案例中经CARLA仿真器构建验证。结果表明，采用该方法后，自动驾驶车辆能有效遵守新发布或更新的交通法规。本方法有助于以数字交通法规治理自动驾驶车辆，这是自动驾驶广泛落地的必要前提。