基于预测安全滤波器的安全强化学习：用于运动规划与控制的自动漂移车辆示例
机器人学
2025-07-01 v1
摘要
自动漂移是一种复杂且关键的机动，适用于湿滑路面和紧急碰撞规避等安全关键场景，需精确的运动规划与控制。传统运动规划方法往往难以应对漂移的高不稳定性和不可预测性，尤其是在高速度下。最近的基于学习的方法尝试解决此问题，但常依赖专家知识或探索能力有限。此外，他们未能有效解决学习期间和部署时的安全问题。为克服这些限制，我们提出一种新的基于安全强化学习（Safe Reinforcement Learning，RL）的运动规划器用于自动漂移。我们的方案将RL智能体与模型基漂移动力学集成，以确定所需的漂移运动状态，同时纳入一种预测安全滤波器（Predictive Safety Filter，PSF），在线调整智能体动作以防止不安全状态。确保安全且高效的学习以及稳定的漂移运行。我们通过在Matlab-Carsim平台上的仿真实验验证了该方法的有效性，结果表明相较于传统方法，该方法在漂移性能、跟踪误差和计算效率方面均有显著提升。该策略有望扩展自动驾驶车辆在安全关键机动中的能力。
引用
@article{arxiv.2506.22894,
title = {Safe Reinforcement Learning with a Predictive Safety Filter for Motion Planning and Control: A Drifting Vehicle Example},
author = {Bei Zhou and Baha Zarrouki and Mattia Piccinini and Cheng Hu and Lei Xie and Johannes Betz},
journal= {arXiv preprint arXiv:2506.22894},
year = {2025}
}