Let Hybrid A* Path Planner Obey Traffic Rules: A Deep Reinforcement Learning-Based Planning Framework

本文介绍了深度强化学习（DRL）的概念，该方法通过训练有效的策略最大化自定义奖励，使系统与环境互动并采取行动。在自动驾驶中，DRL可用作高层决策的策略，而低层算法（如混合A*路径规划）已被证明能够解决局部轨迹规划问题。本文将这两种方法结合起来，其中DRL做出高层决策，例如车道变换命令。在获得车道变换命令后，混合A*规划器能够生成无碰撞的轨迹，由模型预测控制器（MPC）执行。此外，DRL算法能够在选择的时间段内保持车道变换命令的一致性。交通规则使用线性时态逻辑（LTL）实现，然后用作DRL中的奖励函数。此外，我们在实际系统上验证了所提出的方法，以展示从仿真到实际硬件实施的可行性。

本论文旨在利用深度强化学习（DRL）与混合A *路径规划算法相结合，解决自动驾驶中的高级决策制定和局部轨迹规划问题。

该论文提出了一种基于DRL和混合A*路径规划的自动驾驶决策制定方法，使用线性时间逻辑（LTL）作为奖励函数，实现交通规则控制。

论文在真实系统上验证了该方法的可行性，实验设计详细，使用了开源数据集和模型，同时提出了一些值得深入研究的问题。

近期在自动驾驶领域中，有一些相关研究，如：“End-to-end Learning for Autonomous Driving using an Convolutional Neural Network (CNN)”，“Deep Reinforcement Learning for Autonomous Driving: A Survey”，“A Comprehensive Survey of Deep Learning for Autonomous Driving”等。