Dec, 2022

混合深度强化学习与规划的安全舒适自动驾驶

PDF
TL;DR提出了一种名为 HyLEAR 的新型混合学习方法，用于在 POMDP 中解决自动驾驶汽车的无碰撞导航问题。HyLEAR 利用中介学习将混合规划器的知识嵌入到深度强化学习器中，以更快速地确定安全舒适的驾驶策略。实验结果表明，HyLEAR 在关键交通情景下的安全性和舒适性方面显著优于其他基准算法。
发现论文，激发创造
  • 让混合 A * 路径规划器遵守交通规则：基于深度强化学习的规划框架

    利用深度强化学习（DRL）和混合 A * 路径规划方法，在自动驾驶系统中实现高级决策与低级轨迹规划，并通过真实系统验证其可行性。

    Jul, 2024

  • 自主高速公路驾驶增强安全的深度强化学习

    本文提出了一种安全的深度强化学习自动驾驶系统，采用了基于规则和基于学习的方法，其中包括手工制作的安全模块和动态学习的安全模块，通过模拟环境的实验结果证明了其优异的性能。

    Oct, 2019

  • 基于强化学习的行为规划与采样运动规划的自动驾驶集成

    本文提出一种利用深度强化学习的自主驾驶行为规划模型，通过预测未来交通情况，将高层行为规划接口化，并通过循环规划策略进行实验验证。

    Apr, 2023

  • 逆强化学习与现实驾驶

    利用学习规划和逆强化学习，本文通过一个轻量级和易于解释的安全过滤器来过滤生成的轨迹，使用一个得分模型对剩余轨迹进行评分，并使用最佳轨迹跟踪自动驾驶车辆的低级控制器。我们使用超过 500 小时的专家驾驶实例进行了实验验证，证明了我们的算法在高峰期的拉斯维加斯能够在各种复杂情况下实现完全自主驾驶的良好表现，并公开了该数据集以帮助未来的研究。

    Jun, 2022

  • 基于分层模仿学习的城市驾驶可解释运动规划器

    本文介绍了一种分层的模仿学习方法，包括一个高层次基于网格的行为规划器和一个低层次的轨迹规划器来增强神经网络的可靠性和稳定性。该方法可以被嵌入到基于规则的架构中，且在封闭回路仿真和实际驾驶测试中表现卓越，特别适用于复杂的城市自动驾驶场景。

    Mar, 2023

  • 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

  • iPLAN: 分布式多智能体强化学习在异质交通中的意图感知规划

    本文提出了一种分布式多智能体强化学习算法，采用轨迹和意图预测，以应对自动驾驶汽车在密集交通情况下的安全和高效导航问题，并采用 iPLAN 方法进行意图感知规划，通过设计两种激励模块，促进从行为和长期的驾驶策略与当前交通情况的短期策略方面进行决策，仿真实验结果表明，与集中式 MARL 基线相比，本文提出的方法在混乱交通中的奖励、成功率和幸存时间上均有所提高。

    Jun, 2023

  • 城市环境中安全互动自主驾驶的想象增强分层强化学习方法

    通过引入想象增强的分层强化学习算法，我们设计了一种新的导航算法，使得智能体能够在真实世界的导航任务中学习安全和交互的行为，提高了成功率并减少了平均步骤的数量。

    Nov, 2023

  • 运用深度强化学习解决实际自动驾驶问题

    使用深层强化学习训练神经网络来实现自动驾驶规划栈中的控制系统，不仅使模拟环境中的自动驾驶汽车能够在没有障碍物的情况下平稳、安全地行驶，在真实世界城市中也能表现出良好的泛化能力。

    Jul, 2022

  • 自主驾驶的安全多智能体强化学习

    本文介绍了一种利用深度强化学习解决自动驾驶问题的方案，不同于其他机器人任务，自动驾驶需要确保功能安全和在多个智能体情境下执行正确的决策，其中的主要挑战包括如何处理多个智能体的不确定行为，以及如何在 “Desires” 策略和难以控制的路径规划之间实现平衡。

    Oct, 2016