Dec, 2023

基于分层深度强化学习的考虑车辆重量的风险预测自主驾驶策略

PDF
TL;DR自动驾驶策略研究提出了基于风险预测的方法，利用周围车辆的重量建立风险指示器并采用分层深度强化学习。模拟结果显示该方法能同时降低潜在事故的发生几率和后果，并提高驾驶效率。
autonomous vehiclesrisk anticipationhierarchical deep reinforcement learningautonomous driving strategycollision energy
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

  • 应用人类风险认知的对抗驾驶行为生成：自动驾驶车辆评估

    使用深度强化学习和累积前景理论，生成对抗性行为的新框架来检测自动驾驶汽车的风险弱点。通过在高保真硬件测试平台上进行案例研究，结果证明对抗行为能揭示被测试自动驾驶汽车的弱点。

    Sep, 2023

  • 自动驾驶车辆的风险伦理：常规道路交通中的连续电车难题

    自动驾驶汽车的伦理不仅仅在于在不可避免的事故中权衡生命，而是在正常交通情况下分配风险，这引发了道德上的问题，我们的参与者愿意为了其他路上的用户的利益冒险，暗示着在风险的背景下，AV 社会困境可能会减轻。

    May, 2022

  • 自主驾驶汽车碰撞伤害严重程度的预测，用于道德决策和路径规划

    研究开发了基于模拟的路径规划和道德决策模型，结合隶属函数应用于加权效用成本函数，基于效用主义道德方法，通过最低伤害严重程度来预测 AV 的碰撞转向决策。

    Dec, 2022

  • 关于在基于概率规划框架下注入可达性安全保证以应对人机交互的研究

    本文提出了一种最小干预的安全控制器，通过使用到达性分析构建实时控制器，实现单车道场景中无碰撞互动的自动驾驶汽车交通合作，并验证其有效性及安全性。

    Dec, 2018

  • 自主车辆的分层博弈规划

    本文提出了一种用于自动驾驶的新型博弈理论轨迹规划算法，通过将动态游戏分解为漫长的 “战略” 游戏和短期的 “战术” 游戏，在保证实时性的同时，能够量化自动车辆和人类司机影响彼此的能力和激励，实现更加丰富、安全和有效的自主驾驶行为，并且不依赖于完美理性预测，而是适用于非确定性人类决策的模型。

    Oct, 2018

  • 自主车辆系统安全的鲁棒深度强化学习

    本文提出了一种对抗性强化学习算法以最大化自主车辆动态控制对网络物理攻击的鲁棒性，通过分析状态估计过程并在博弈理论框架中研究了攻击者和自主车辆之间的互动以及提出了长短期记忆的使用，同时研究了数据处理的过程以提高面对网络物理攻击的鲁棒性。

    May, 2018

  • 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

  • 关于自动驾驶车辆风险评分的反事实安全边界视角

    自动驾驶车辆的风险评估是一项具有挑战性的任务，本文提出了一种基于数据驱动的框架，通过对 “不当行为” 道路用户的对照模拟来比较不同自动驾驶车辆在不同操作设计领域的风险。引入了反事实安全余量的概念，用于表示最小偏差与正常行为之间可能导致碰撞的关系，展示了该方法在未知行为策略下仍可适用，从而有助于第三方风险评估，并在自动驾驶车辆供应商之间的相对风险方面提供了洞察。

    Aug, 2023

  • 通过逆强化学习识别基于随机模型预测控制车辆的反应感知驾驶风格

    自动驾驶车辆中的驾驶风格通过以加权特征描述并捕捉车辆的反应感知特征，使用改进的最大熵逆强化学习方法从演示轨迹中识别驾驶风格，并通过 MATLAB 模拟和现有实验进行验证。

    Aug, 2023