Chance-Aware Lane Change with High-Level Model Predictive Control Through Curriculum Reinforcement Learning

要約

密集した交通量での車線変更は、通常、適切な操縦の機会を認識する必要がある困難な問題と考えられています。
この研究では、カリキュラム強化学習 (CRL) による高レベルのモデル予測制御 (MPC) を使用した、偶然を意識した車線変更戦略を提案します。
私たちのフレームワークに具体化された MPC は、拡張された決定変数でパラメーター化されており、完全な状態の参照とその相対的な重要性に関する規制要因が導入されています。
さらに、収束速度を向上させ、高品質のポリシーを保証するために、効果的なカリキュラム設計が、ポリシーの移転と強化を伴う強化学習 (RL) フレームワークに統合されています。
次に、提案されたフレームワークを、高密度で動的なトラフィックに向けた数値シミュレーションに展開します。
注目に値するのは、提案されたアプローチにより、わずかな可能性があったとしても、車両が 96% という高い成功率で交通の流れに合流するような高品質の車線変更操作が生成されるということです。

要約(オリジナル)

Lane change in dense traffic is considered a challenging problem that typically requires the recognition of an opportune and appropriate opportunity for maneuvers. In this work, we propose a chance-aware lane-change strategy with high-level model predictive control (MPC) through curriculum reinforcement learning (CRL). The embodied MPC in our framework is parameterized with augmented decision variables, where full-state references and regulatory factors concerning their relative importance are introduced. Furthermore, to improve the convergence speed and ensure a high-quality policy, effective curriculum design is integrated into the reinforcement learning (RL) framework with policy transfer and enhancement. Then the proposed framework is deployed to numerical simulations towards dense and dynamic traffic. It is noteworthy that, given a narrow chance, the proposed approach generates high-quality lane-change maneuvers such that the vehicle merges into the traffic flow with a high success rate of 96%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google