Mar, 2022

蒙特卡洛树搜索与风险指标在不确定环境下的合作轨迹规划

PDF
TL;DR本文使用蒙特卡罗树搜索和核回归，基于马尔可夫决策过程和风险度量，采用震荡信念状态方法，分析自动驾驶车辆与人类交通合作的不确定性。结果表明，在不确定的环境下，整合风险度量在最终选择策略中始终优于基线，可以生成较为安全的车辆轨迹。
automated vehiclescooperative trajectory planningmarkov decision processmonte carlo tree searchrisk metrics
发现论文，激发创造
  • 分层蒙特卡洛树搜索的自动驾驶车辆分散协作规划

    这篇论文介绍了一种基于蒙特卡洛树搜索的去中心化合作规划方法，通过使用宏操作来描述自动驾驶车辆在不同的环境中的合作规划，实现不同交通参与者之间的协调和显式建模。

    Jul, 2018

  • 风险感知和多目标强化学习的蒙特卡罗树搜索算法

    本文提出了两种基于蒙特卡罗树搜索的算法，能够针对非线性效用函数计算风险意识和多目标环境下的回报策略，并考虑累计回报，同时，这两个算法在多目标强化学习中，预期回报的表现超越了现有的最优算法。

    Nov, 2022

  • 带策略增强蒙特卡罗树搜索的非静态环境决策

    通过结合强化学习和计划，提出了一种称为 Policy Augmented MCTS（PA-MCTS）的新型混合决策方法，将策略的动作价值估计结合到 MCTS 中，以更好地适应非稳态环境下的决策制定。经测试，PA-MCTS 相对于标准 MCTS 和纯强化学习能更快地收敛并做出更好的决策。

    Feb, 2022

  • 在转移不确定性条件下的蒙特卡洛树搜索

    研究纸中提出了一种改进 Monte Carlo Tree Search (MCTS) 框架的算法，它能够在环境模型存在不完全时搜索更加确定的转换，从而提高搜索行为和性能。

    Dec, 2023

  • 自主车辆的自适应应力测试

    本文提出了一种测试自动驾驶汽车决策制定系统的方法，该方法使用强化学习算法找到最可能发生故障的场景，通过模拟车辆接近人行横道的情况证明了该方法的通用性。

    Feb, 2019

  • 带障碍物不确定性的可证明安全机器人导航

    研究如何保证机器人在不完美的环境观测下的行动安全性并设计了一种安全性检查的算法实现

    May, 2017

  • 基于强化学习的 MCTS 路径规划在自动停车中的加速

    通过将强化学习与蒙特卡洛树搜索相结合，我们提出了一种方法来增强完全可观察环境下自动停车任务的在线路径规划。通过先前的搜索步骤中综合利用先前的知识，状态评估方法对于在高维空间下的基于采样的规划方法可以提高实时系统中的计算效率。在复杂环境下执行自动停车任务的挑战在于传统的解析方式很难构建坚固但轻量级的启发式引导。为了克服这一限制，我们在路径规划框架下提出了一种强化学习流程和蒙特卡洛树搜索的结合。通过迭代学习状态的值以及从上一个周期的结果中选出的最佳动作样本，我们能够建模给定状态的值估计器和策略生成器。通过这样的方式，我们建立了一种探索与利用之间的平衡机制，加速了路径规划过程，并在不使用人工专家驾驶员数据的情况下保持其质量。

    Mar, 2024

  • 面向敏捷自主机器人在未知环境中的导航与恢复的基于 GP 的鲁棒运动规划框架

    提出了一种基于高斯过程（GP）的模型，用于主动检测未来运动规划失败的风险，并在风险超过阈值时触发恢复行为来从事实现目标的安全状态。该方法仅在仿真环境中进行训练，并可以泛化到不同机器人平台的实际环境中。仿真和物理实验证明了该框架既能预测规划器的失败，又能将机器人恢复到可能成功规划的状态，并以敏捷的运动方式进行操作。

    Feb, 2024

  • 考虑环境不确定性的安全运动规划

    本文提出了一种考虑机器人状态和环境不确定性的安全运动规划方法，旨在解决机器人定位中地标不确定性的问题，并给出了在高斯分布机器人运动、感知和障碍位置不确定性下的碰撞概率的精确表达式。

    May, 2023

  • 多智能体概率合奏与轨迹采样用于连通自动驾驶车辆

    我们提出了一种名为 MA-PETS 的分散多智能体概率集成与轨迹采样算法，用于解决限制通信的多个自动驾驶车辆的决策问题，并在理论和实验中验证了其在样本效率方面的优越性。

    Dec, 2023