基于GAIL的自动驾驶：结合安全约束模仿人类驾驶行为

肖 雅怡, 陈 瑜欣
吉林大学汽车工程学院

摘要


自动驾驶技术在城市环境中的应用面临复杂交互场景和安全性的双重挑战，设计一个安全且类人的自动驾驶决
策系统仍然是一个重大难题。传统方法依赖于规则设计或强化学习的奖励函数，但存在泛化能力不足和安全冗余难以保
障的问题。尽管SHAI已显示出潜力，但它们通常需要复杂的架构和大量的标注数据。本文基于GAIL提出一个简单而有
效的方法，使用单一策略网络直接模仿人类驾驶行为，消除了对分层控制器的需求。然而，城市驾驶涉及多车动态交互、
潜在驾驶风格差异以及突发安全事件，需在GAIL基础上引入安全约束机制。本文结合安全约束优化了该框架，通过层次
化策略设计、奖励增强和潜在变量分离，实现城市环境中类人且安全的驾驶行为生成，以确保在动态场景中的无碰撞驾
驶。本文还使用Interaction数据集评估了该方法，并证明该方法在模仿准确性和安全性指标方面均具有优势。

关键词


自动驾驶模拟；评估

全文:

PDF


参考


[1]Ho, J., & Ermon, S. (2016). Generative adversarial

imitation learning. Advances in Neural Information Processing

Systems, 29, 4565-4572.

[2]Pinto, L., et al. (2017). Asymmetric actor-critic for

safe reinforcement learning. Proceedings of the 1st Annual

Conference on Robot Learning, 1-17.

[3]Zhan, E., et al. (2020). Interaction dataset: A

decentralized protocol for autonomous driving under partially

observable environments. IEEE Transactions on Intelligent

Transportation Systems, 22(4), 2077-2090.

[4]Li, Y., et al. (2021). SHAIL: Safety-aware hierarchical

adversarial imitation learning for autonomous driving.

Proceedings of the IEEE/CVF Conference on Computer

Vision and Pattern Recognition, 11245-11256.

[5]International Organization for Standardization (ISO).

(2022). Road vehicles—Safety of the intended functionality

(SOTIF): ISO 21448. Geneva: ISO.


Refbacks

  • 当前没有refback。