应对雪天诱发挑战：基于鲁棒强化学习的安全自主车道保持
机器人学
2025-12-16 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
本文提出了两种用于在雪天路况下运行的自动驾驶车辆车道保持系统的新算法。这些算法使用深度强化学习（DRL）来处理不确定性和打滑。它们包括动作鲁棒循环深度确定性策略梯度（AR-RDPG）和端到端动作鲁棒卷积神经网络注意力确定性策略梯度（AR-CADPG），两种用于决策的动作鲁棒方法。在 AR-RDPG 方法中，在感知层内，首先使用多尺度神经网络对相机图像进行去噪。然后，由预训练的深度卷积神经网络（DCNN）提取中心线系数。这些系数与驾驶特征拼接后，用作控制层的输入。AR-CADPG 方法提出了一种端到端方法，其中卷积神经网络（CNN）和注意力机制被集成在 DRL 框架内。两种方法首先在 CARLA 模拟器中训练，并在各种雪天场景下进行验证。在基于 Jetson Nano 的自动驾驶车辆上的真实世界实验证实了所学策略的可行性和稳定性。在这两种模型中，AR-CADPG 方法展现出更优的路径跟踪精度和鲁棒性，突显了在自动驾驶车辆中结合时序记忆、对抗鲁棒性和注意力机制的有效性。
引用
@article{arxiv.2512.12987,
title = {Tackling Snow-Induced Challenges: Safe Autonomous Lane-Keeping with Robust Reinforcement Learning},
author = {Amin Jalal Aghdasian and Farzaneh Abdollahi and Ali Kamali Iglie},
journal= {arXiv preprint arXiv:2512.12987},
year = {2025}
}