城市自主驾驶的动作和轨迹规划：层次强化学习

ICMLJun, 2023

城市自主驾驶的动作和轨迹规划：层次强化学习

Action and Trajectory Planning for Urban Autonomous Driving with Hierarchical Reinforcement Learning

Xinyang Lu, Flint Xiaofeng Fan, Tianying Wang

TL;DR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。

Abstract

reinforcement learning (RL) has made promising progress in planning and decision-making for autonomous vehicles (AVs) in simple driving scenarios. However, existing RL algorithms for AVs fail to learn critical dr

reinforcement learning autonomous vehicles hierarchical reinforcement learning urban driving scenarios ddpg algorithm

发现论文，激发创造

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

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

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

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

基于隐含机会的城市驾驶端到端无模型强化学习

本文采用一种叫 implicit affordances 的新技术，成功地通过强化学习算法完成了诸如车道保持，行人和车辆避让，以及红绿灯检测等复杂任务，最终在 CARLA 挑战赛中获胜。

Nov, 2019

使用深度强化学习的自主驾驶顺序决策的分层体系结构

本研究开发了一个多模态架构，包括自我周围环境的建模，并训练了一个深度强化学习代理，以在随机高速公路驾驶场景中实现一致的性能，将自主驾驶问题分成多层控制结构使我们能够将 AI 的能力分别用于解决每一层，最终实现更可靠的系统，可在实际的自动驾驶汽车中实现。

Jun, 2019

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

深度强化学习自动驾驶决策的揭秘

自适应驾驶决策中，深度强化学习模型的黑盒特性限制了实际应用，因此本研究工作关注一种基于注意力机制的可解释深度强化学习框架，并使用连续近端策略优化算法作为基准模型，在开源自适应驾驶仿真环境中加入了多头注意力机制。通过分析技术讨论模型的可解释性和因果关系，发现模型的第一个头部编码了邻近车辆的位置，而第二个头部则专注于领导车辆。此外，自车的动作在时空上受到目标车道上车辆的因果依赖。这些发现可帮助从业人员解读深度强化学习算法的结果。

Mar, 2024