通过增强多模态强化学习实现鲁棒匝道汇入
机器人学
2022-08-16 v1 人工智能
机器学习
摘要
尽管赋能AI的车载感知取得成功，匝道汇入仍是自动驾驶的主要挑战之一。由于车载传感器感知范围有限，汇入车辆难以观察主路状况并恰当汇入。通过利用网联自动驾驶车辆（CAVs）间的无线通信，汇入CAV有潜力主动获取附近车辆的意图。然而，CAVs易受影响不准确的观测，例如含噪的基本安全消息（BSM）与低质量监控图像。本文提出一种通过增强与多模态强化学习实现CAVs鲁棒匝道汇入的新方法，命名为RAMRL。具体而言，我们将匝道汇入问题建模为马尔可夫决策过程（MDP），综合考虑驾驶安全、舒适驾驶行为与交通效率。为提供可靠汇入操作，我们同时利用BSM与监控图像进行多模态观测，并借此通过近端策略优化（PPO）学习策略模型。此外，为提升数据效率并提供更好泛化性能，我们使用增强数据（如含噪BSM与含噪监控图像）训练策略模型。在Simulation of Urban MObility（SUMO）平台下两种典型汇入场景中开展了充分实验。实验结果证明了我们鲁棒匝道汇入设计的有效性与高效性。
引用
@article{arxiv.2208.07307,
title = {Towards Robust On-Ramp Merging via Augmented Multimodal Reinforcement Learning},
author = {Gaurav Bagwe and Jian Li and Xiaoyong Yuan and Lan Zhang},
journal= {arXiv preprint arXiv:2208.07307},
year = {2022}
}
备注
8 pages, 5 figures