Jul, 2022

基于技能发现的自动驾驶车辆交叉口自适应决策

PDF
TL;DR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。
autonomous drivingadaptive decision making systemreinforcement learninghierarchical frameworktraffic flow
发现论文，激发创造
  • 用无监督技能发现进行分层学习，用于高速公路合并应用

    本研究提出了一种层次学习方法，该方法使用未经预设奖励功能的无监督技能发现获取运动原语作为动作，可减少基于惩罚奖励机制的强化学习方法的总训练时间，该方法通过模拟实验表明其产生的驾驶员模型能够更快地展现高性能。

    Feb, 2023

  • 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

  • 自主驾驶层次强化学习无需依赖标签驾驶数据决策

    本文提出了一种基于分层强化学习的自动驾驶决策方法，通过将驾驶任务分解为三个操作并使用全连接神经网络训练各个策略，实现了在高速公路驾驶场景中平稳、安全的自动驾驶决策。

    Jan, 2020

  • 城市自主驾驶的动作和轨迹规划：层次强化学习

    本论文提出了一种基于分层强化学习方法的行动和轨迹规划器，有效地解决了城市自动驾驶场景下的多任务多车辆决策问题，并通过在 CARLA 模拟器中进行广泛实验证明了其显著的性能提升。

    Jun, 2023

  • 在合并场景下具有自适应策略的交互感知决策制定

    在自动驾驶车辆与其他道路参与者的交互中，应当考虑到不同驾驶员的合作水平以及车辆所处的位置，本文提出的基于多智能体强化学习的交互感知决策方法能够在合并场景下自适应地与其他参与者协商行驶方案，并且可以自动推断其他驾驶员的行为并作出策略性决策。

    Apr, 2019

  • 基于学习预测的自主驾驶交互合并决策

    本篇论文提出了一种自动驾驶的决策方法，采用了 POMDP 和 Monte Carlo tree search 等方法对车辆在道路上的交互进行建模和规划，实现了高质量的行驶决策。

    Mar, 2023

  • 自主驾驶的层次行为和运动规划学习

    通过引入分层行为和运动规划（HBMP），我们在学习驾驶解决方案中显式地建模行为，解决了不同场景的 RL 训练效率低下的问题，并在 SUMO 的快速事件仿真器中进行训练，最终在 CARLA 动力学仿真器中进行训练并转移到现实世界，证明了该方法的有效性和可推广性。

    May, 2020

  • 基于层次逆强化学习的交互式驾驶行为概率预测

    讨论自动驾驶车辆如何通过基于层次逆强化学习的概率预测方法，准确预测周围车辆的行为并进行规划，以此应对人类行为的不确定性和交互作用。

    Sep, 2018

  • 基于场景分解的安全强化学习在复杂城市环境下的导航

    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。

    Apr, 2019

  • 城市自主驾驶的无模型深度强化学习

    本文提出了一个在复杂城市自主驾驶场景下使用无模型深度强化学习的框架，并在高清晰度驾驶模拟器中进行了验证。结果表明，与基线相比，我们的方法可以很好地解决任务，且表现显著优异。

    Apr, 2019