深度强化学习在道路交通路口驾驶中的自我感知安全性
人工智能
2022-01-21 v1 机器学习
摘要
自动驾驶一直处于公众关注的前沿，而广泛关切的核心争论在于交通系统的安全性。深度强化学习（DRL）已被应用于自动驾驶，为避障提供解决方案。然而，在道路交通路口场景中，车辆通常从交通环境中接收部分观测，而DRL需依赖长期奖励通过最大化累积奖励来训练可靠模型，这可能在探索新动作时带来风险，并在碰撞情况下返回正奖励或惩罚。尽管安全关切通常在奖励函数设计中予以考虑，但它们并未作为直接评估自动驾驶中DRL算法有效性的关键指标被充分考量。在本研究中，我们评估了三种基线DRL模型（DQN、A2C和PPO）的安全性能，并基于碰撞率、成功率、冻结率和总奖励四项指标，从注意力机制出发为DRL提出一种自我感知模块，以改善复杂道路交通路口环境（如交叉口与环岛场景）中异常车辆的安全评估。我们在训练与测试阶段的两项实验结果显示基线DRL安全性能较差，而我们所提出的自我感知注意力-DQN能显著提升交叉口与环岛场景中的安全性能。
引用
@article{arxiv.2201.08116,
title = {Self-Awareness Safety of Deep Reinforcement Learning in Road Traffic Junction Driving},
author = {Zehong Cao and Jie Yun},
journal= {arXiv preprint arXiv:2201.08116},
year = {2022}
}