首页 > 商业 > 正文
Qzone
微博
微信

卡内基梅隆大学开发出基于强化学习的框架 可提高自动驾驶汽车并道性能

商业 盖世汽车网    2022-12-27 17:16

盖世汽车讯 虽然现在许多汽车公司都在投资开发自动驾驶汽车,但迄今为止,自动驾驶车辆还尚未达到大规模部署所需的安全水平。若要达到该水平,车辆需要能够安全有效地应对道路上的各种挑战。

据外媒报道,卡内基梅隆大学(Carnegie Mellon University)的研究人员开发出基于强化学习(RL)的框架,可以帮助提高自动驾驶汽车在匝道合并场景中的性能,即匝道上的车辆偏离主干道的情况,或将提高自动驾驶汽车的安全性,降低事故风险。

卡内arXiv.jpg

图片来源:arXiv

 

开发该模型的研究人员之一Soumith Udatha表示:“此次研究关注的是高速公路并道,因为涉及高速车辆、不同风格的驾驶员以及各种不确定性。”

Udatha及其同事致力于提高自动驾驶汽车的安全性。在最近的论文中,这些研究人员尝试设计出一个框架,可以有效地捕捉匝道合并场景,并根据对任何不确定性和可能风险的分析来规划车辆的行动。

Udatha解释说:“RL模型与环境交互并收集数据以优化它们的奖励,但这种数据探索在部署到现实环境中时会遇到一些问题,部分原因是并非代理遇到的所有状态都是安全的。我们用控制屏障功能(CBF)来约束我们的RL策略,以确保在指定距离内的安全。因此,在环境约束下,我们可以忽略不安全状态,并增强系统学习导航的能力。”

CBF是一类相当新的计算方法,旨在增强自动驾驶系统的安全控制。CBF可以直接应用于不同的优化问题,包括斜坡合并。但CBF执行的优化并没有考虑系统在探索环境时收集的数据,而RL方法可以帮助填补这一空白。

Udatha表示:“我们发现,我们的算法可以扩展到离线和在线RL环境。由于我们现在拥有大量用于离线RL的数据,因此对离线数据集的训练最终可以产生更好的模型。根据我们的指标,我们还发现将概率CBF作为约束包含在内可以提供更好的安全性,因为CBF在一定程度上考虑了驾驶员的不确定性。”

Udatha及其同事在一系列测试中测试了他们的框架,使用的是由英特尔实验室(Intel Labs)和巴塞罗那计算机视觉中心(Computer Vision Center)的研究人员开发的在线版CARLA仿真器。在这些仿真中,基于RL的框架成果显着,凸显了其在匝道合并期间提高自动驾驶车辆安全性的可能价值。

Udatha补充道:“我们现在计划通过训练模型来扩展研究,以在驾驶员不确定的场景中将自动驾驶汽车与多辆汽车合并。我们还发现目前缺少用于比较各种匝道合并方法的标准基准,因此我们正在同时尝试为NGSIM建立匝道合并基准,其中,NGSIM是NHTSA在美国I-80和101高速公路上发布的高速公路数据集。”

【以上内容转自“盖世汽车”,不代表本网站观点。 如需转载请取得盖世汽车网许可,如有侵权请联系删除。】

 

延伸阅读:

 

责任编辑: cxr4186

责任编辑: cxr4186
人家也是有底线的啦~
广告
Copyright © 2018 TOM.COM Corporation, All Rights Reserved 雷霆万钧版权声明
违法信息/未成年人举报:010-85181169     举报邮箱/未成年人举报:jubao@tomonline-inc.com