基于强化学习的自动驾驶安全、高效与舒适速度控制
机器学习
2020-07-14 v2 人工智能
机器人学
机器学习
摘要
提出了一种基于深度强化学习（RL）的用于跟车过程中速度控制的模型。为满足跟车的多目标，构建了反映驾驶安全性、效率与舒适性的奖励函数。借助该奖励函数，RL智能体通过在仿真环境中试错，学习以最大化累积奖励的方式控制车速。从下一代仿真（NGSIM）数据集中提取的共计1341个跟车事件被用于训练该模型。将模型产生的跟车行为与NGSIM经验观测数据中的行为进行比较，以证明模型安全、高效且舒适地跟随前车的能力。结果表明，该模型展现出安全、高效与舒适速度控制的能力：1）其危险最小碰撞时间值（小于5秒）占比（8%）低于NGSIM数据中的人类驾驶员（35%）；2）能将高效且安全的车头时距维持在1秒至2秒范围内；3）能以平滑的加速度舒适地跟随前车。结果表明，强化学习方法可助力自动驾驶系统的发展。
引用
@article{arxiv.1902.00089,
title = {Safe, Efficient, and Comfortable Velocity Control based on Reinforcement Learning for Autonomous Driving},
author = {Meixin Zhu and Yinhai Wang and Ziyuan Pu and Jingyun Hu and Xuesong Wang and Ruimin Ke},
journal= {arXiv preprint arXiv:1902.00089},
year = {2020}
}
备注
Under the first-round revision for transportation research part c