基于深度强化学习的预测性机动规划（PMP-DRL）用于舒适和安全的自动驾驶

Jun, 2023

基于深度强化学习的预测性机动规划（PMP-DRL）用于舒适和安全的自动驾驶

Predictive Maneuver Planning with Deep Reinforcement Learning (PMP-DRL) for comfortable and safe autonomous driving

Jayabrata Chowdhury, Vishruth Veerendranath, Suresh Sundaram, Narasimhan Sundararajan

TL;DR本文提出了一种使用深度强化学习进行的预测机动规划模型，该模型结合了预测模型和 RL 代理以实现舒适和安全的机动规划，通过使用历史驾驶数据训练预测模型，将周围车辆的过去和预测的未来位置嵌入到上下文感知的网格地图中进行学习，同时，RL 代理学习基于时空上下文信息进行机动规划，该模型在公开可用的 NGSIM US101 和 I80 数据集中进行了性能评估。

Abstract

This paper presents a predictive maneuver planning with Deep Reinforcement Learning (PMP-DRL) model for maneuver planning. Traditional rule-based maneuver planning approaches often have to improve their abilities to handle the variabilities of real-world driving scenarios. By learning

predictive maneuver planning deep reinforcement learning rl-based driving agent context-aware grid maps imitation learning-based model

发现论文，激发创造

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

自主高速公路驾驶的预测决策

本文提出了一种基于预测的深度强化学习决策模型，考虑了周围车辆的操作意图，并使用真实交通数据进行训练。经过模拟测试，结果表明和基于深度强化学习的模型相比，该模型在复杂的高速公路驾驶场景中提高了决策性能，从而减少了碰撞数量，实现了更安全的驾驶。

Sep, 2022

基于模型预测强化学习的内河水道安全感知自主路径规划

最近，由于将汽车和卡车远离城市中心的趋势，对城市水路自主航运的兴趣显著增加。本文提出了一种基于强化学习的新型路径规划方法，称为模型预测强化学习（MPRL）。MPRL 通过计算一系列船只需遵循的航点来规划路径，将环境表示为占用栅格地图，可以处理任何形状的水道和任意数量和形状的障碍物。我们在两个场景上验证了我们的方法，并将其与基于 Frenet 框架的路径规划和基于邻近策略优化（PPO）代理的路径规划进行了比较。我们的结果表明，在两个测试场景中，MPRL 的性能优于两个基准方法。基于 PPO 的方法在任一场景中均未能达到目标，而基于 Frenet 框架的方法在带有障碍物角落的场景中失败。MPRL 能够在两个测试场景中安全地（无碰撞地）导航到目标。

Nov, 2023

利用强化学习进行神经运动规划

本研究通过比较监督式学习与强化学习算法，提出了一个适用于动作规划领域的 DDPG-MP 算法，该算法有助于解决运动规划中数据不足的问题，并在新领域的规划中实现了较快速度。

Jun, 2019

自主车辆运动规划深度强化学习调查

本文研究了在自动驾驶车辆领域中，传感器技术、通信、安全、人工智能、机器学习、路线规划等多方面的应用，重点阐述了一种基于深度强化学习的层次运动规划方法，并以车跟、车道保持、轨迹跟踪、融合和交通压力等不同场景的自动驾驶为例，总结了现有解决方案的优缺点并提出未来研究方向和挑战。

Jan, 2020

基于运动基元的（再）规划策略

本文介绍了一种名为 MP3 的深度强化学习方法，它通过将运动原语（MPs）整合到深度 RL 框架中，实现了在整个学习过程中生成平滑轨迹的能力，同时有效地从稀疏且非马尔可夫奖励中学习，还具有在执行过程中适应环境变化的能力，该方法相较于现有的深度 RL 和 RL 结合 MPs 等方法，在复杂、稀疏奖励环境和需要重规划的领域中表现出更好的性能。

Jun, 2023

基于深度强化学习的密集与动态环境中的多智能体运动规划

本文介绍深度强化学习算法和基于力的运动规划算法的混合算法，在稠密和动态环境下解决分布式运动规划问题，并且能够更好地解决时间最优性和冲撞问题。

Jan, 2020

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

针对各种模拟驾驶操作的深度强化学习自动驾驶的全面培训和评估

本研究通过实现、评估和比较两种深度强化学习算法（Deep Q-networks 和 Trust Region Policy Optimization）来训练自动驾驶车辆，以及开发和应用奖励函数，并在基于模拟环境的高速公路自动驾驶训练平台中进行评估，结果显示 TRPO 算法在大多数情况下以及将多种驾驶演练和多种路况情况集成于一体的 ComplexRoads 训练环境中效果最佳。

Jun, 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