基于真实高速公路数据的安全模仿学习实现类人自动驾驶

本文提出一种用于自动驾驶车辆的安全模仿学习方法，关注真实人类驾驶数据与实验验证。为提高乘员接受度并赢得驾驶员信任，自动驾驶功能需提供安全且舒适的行为，例如无风险且自然主义的驾驶。我们的目标是通过从人类驾驶数据中对规划策略进行模仿学习来获得此类行为。具体而言，我们提议在训练损失函数中引入障碍函数与基于平滑样条的运动参数化。其优势有两方面：提升学习算法的安全性，同时减少所需训练数据量。此外，该行为从高速公路驾驶数据中学习，数据由人类驾驶员一致采集并针对特定驾驶场景进行处理。为进行开发验证，重建了真实测试车辆、传感器与交通场景的数字孪生，以实现高保真与基于物理的建模技术。这些模型被导入仿真工具并与所提算法协同仿真以进行验证与进一步测试。最后，我们给出实验结果与分析，并与常规模仿学习技术（行为克隆）比较以论证所提开发方法。