基于神经符号深度强化学习方法的自动驾驶安全策略研究
机器人学
2025-09-29 v3 人工智能
机器学习
计算机科学中的逻辑
系统与控制
系统与控制
摘要
驾驶环境的动态特性及多样道路使用者的存在，给自动驾驶决策带来重大挑战。深度强化学习（DRL）已成为解决该问题的热门方法。然而，出于安全顾虑，现有DRL方案应用主要局限于仿真环境，阻碍了其现实部署。为克服此限制，本文引入一种新颖的神经符号无模型DRL方法，称为带符号逻辑的深度强化学习（DRLSL），其结合DRL（从经验中学习）与符号一阶逻辑（知识驱动推理）的优势，以在真实环境实时交互中实现安全学习。该创新方法提供了通过主动与物理环境交互同时保障安全来学习自动驾驶策略的途径。我们在高速公路驾驶场景中利用HighD数据集实现了DRLSL框架，并证明我们的方法在训练与测试阶段均成功避免不安全动作。此外，结果表明相较传统DRL方法，DRLSL在训练中收敛更快，且对新高速公路驾驶场景具更好泛化性。
引用
@article{arxiv.2307.01316,
title = {Towards Safe Autonomous Driving Policies using a Neuro-Symbolic Deep Reinforcement Learning Approach},
author = {Iman Sharifi and Mustafa Yildirim and Saber Fallah},
journal= {arXiv preprint arXiv:2307.01316},
year = {2025}
}
备注
15 pages, 9 figures, 1 table, 1 algorithm