面向安全、高效和通用的自主停车：基于端到端离线强化学习的SEG-Parking
机器人学
2025-09-18 v1
摘要
自主停车是实现安全高效城市级自动驾驶的关键组件。然而，非结构化环境和动态交互为自主停车任务带来了显著挑战。为此，我们提出了SEG-Parking，一种新的端到端离线强化学习（RL）框架，以实现交互感知的自主停车。值得注意的是，构建了一个专门用于停车场景的数据集，这些场景包括不涉及对方车辆（OV）干扰的场景以及涉及与OV交互的复杂场景。基于该数据集，预训练一个以目标为条件的状态编码器，将融合感知信息映射到潜在空间中。然后，采用保守正则化器对离线RL策略进行优化，以惩罚超出分布动作。在高保真CARLA模拟器中进行了大量闭环实验。比较结果表明，我们的框架在成功率和对超出分布停车场景的鲁棒性方面均表现优异。相关数据集和源代码将在论文接受后公开。
引用
@article{arxiv.2509.13956,
title = {SEG-Parking: Towards Safe, Efficient, and Generalizable Autonomous Parking via End-to-End Offline Reinforcement Learning},
author = {Zewei Yang and Zengqi Peng and Jun Ma},
journal= {arXiv preprint arXiv:2509.13956},
year = {2025}
}