Apr, 2019

基于场景分解的安全强化学习在复杂城市环境下的导航

PDF
TL;DR我们提出了一种基于模块化的决策算法，以自主导航十字路口的挑战，通过安全机制，置信度更新技术和场景分解方法，提高了行车安全性和决策鲁棒性，并在复杂的十字路口情境中表现了优越性。
autonomous vehiclesdecision-making algorithmsafety guaranteesbelief update techniquescene decomposition approach
发现论文，激发创造
  • 基于技能发现的自动驾驶车辆交叉口自适应决策

    提出一种基于强化学习和动作基元的分层框架，可自主收集和重复使用知识来解决城市环境下自动驾驶面临的挑战和不确定性，通过 CARLA 模拟器的测试，其表现优于其他基线方法。

    Jul, 2022

  • 分解环境的分阶段强化学习用于复杂任务

    通过将复杂任务分解为多个子任务并在交通路口模拟中引入多智能体训练机制，本研究提出了两种方法来近似强化学习问题并改善代理人在复杂任务中的性能，从而减少潜在的安全问题。

    Nov, 2023

  • 密集交通路口导航的多任务安全强化学习

    本文提出一种基于多任务安全强化学习和社交关注的方法来解决无人驾驶在复杂交通情境下的交通管制问题，模型考虑多种交通极端情况并使用安全监控层来保障安全性。实验结果表明该方法能够有效提高交通安全性和流畅性。

    Feb, 2022

  • 使用强化学习在限制的行人环境下实现机器人导航

    本文提出了基于强化学习（RL）的方法来解决移动机器人在密闭空间中与行人互动的导航问题，探索了多个场景下训练准则的可复用性，并在两个真实环境的三维重建中表现出了良好的迁移能力。

    Oct, 2020

  • 自主车辆交叉路口导航的深度强化学习

    研究该论文中，通过使用基于 Twin Delayed Deep Deterministic Policy Gradient (TD3) 强化学习算法的低成本单一智能体方法，提出了有效解决自动驾驶车辆在复杂 T 字路口中的导航问题，并证明了该方法在 CARLA 模拟平台中表现出稳定、安全且具有改进性能的结果，通过减少旅行延误、碰撞最小化和降低整体成本等方面的优势，在自动驾驶应用中为强化学习提供了有价值的知识，并突出体现了采用单一智能体、低成本方法在解决复杂驾驶场景和进一步推进强化学习算法方面的潜力。

    Sep, 2023

  • 基于 Transformer 的场景表示学习增强强化学习用于自动驾驶决策

    本文提出了一种名为 Scene-Rep Transformer 的决策算法，使用改进后的场景表示编码和连续预测潜在蒸馏来提高强化学习决策能力，通过在 5 种具有挑战性的模拟城市场景中验证，演示了数据效率和成功率，安全性和效率等方面的实质性改进。

    Aug, 2022

  • 安全导航：在 CARLA 中使用深度强化学习进行自主车辆训练

    自主驾驶汽车使用深度强化学习技术在不确定环境中进行决策，通过使用 CARLA 模拟器在真实城市环境中训练和测试自动驾驶模型，实现了准确的对象识别和距离估计以及有效的交通导航。

    Oct, 2023

  • 使用深度强化学习，自主驾驶车辆在遮挡路口中的导航

    本文探索利用深度强化学习解决路口问题，发现采用深度 RL 学习的决策比基础启发式方法更高效，并能有效应对实时不能避让的情况，并探讨其在感知行为方面的应用及未来研究方向。

    May, 2017

  • 通过人类示范辅助强化学习在自动驾驶车道变换中的安全决策

    通过将人类驾驶员的决策作为安全演示进行学习，本研究提出的基于强化学习的决策策略在实践中可显著提高自主驾驶汽车的安全性。

    Jul, 2022

  • 自主车辆上的安全强化学习

    本研究探讨了如何通过预测来约束探索，从而实现强化学习在自动驾驶中的安全学习。

    Sep, 2019