通过嵌套在有限状态机中的基于策略的强化学习，用于车道合并场景的自动驾驶车辆切入算法

【标题】Autonomous Vehicle Cut-In Algorithm for Lane-Merging Scenarios via Policy-Based Reinforcement Learning Nested Within Finite-State Machine

【作者团队】Seulbin Hwang, Kibeom Lee, Hyeongseok Jeon, Dongsuk Kum

【发表日期】2022.3.8

【论文链接】https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9729796

【推荐理由】由于人工驾驶和切入自动驾驶汽车之间的利益冲突，车道合并场景给自动驾驶汽车带来了极具挑战性的问题。本文提出了一种嵌套在有限状态机 (FSM) 中的基于强化学习 (RL) 的切入策略网络——这是一种高级决策者，可以在不牺牲安全性的情况下实现高切入性能。提出这种 FSM-RL 混合方法以获得 1) 战略性和可调节算法，2) 最佳安全性和切入性能，以及 3) 稳健和一致的性能。在高级决策算法中，FSM 为四个切入阶段（准备安全间隙选择、间隙接近、协商和车道变换执行）提供了一个框架，并通过计算碰撞风险来处理这些阶段之间的转换与目标车辆相关联。对于换道阶段，采用基于策略的深度强化学习方法和软演员-评论家网络来获得最佳切入性能。

内容中包含的图片若涉及版权问题，请及时与我们联系删除