A Survey of Reinforcement Learning-Based Motion Planning for Autonomous Driving: Lessons Learned from a Driving Task Perspective

要約

強化学習（RL）は、複雑で動的な意思決定タスクでポリシーを調査および最適化する能力を備えており、自律運転（AD）におけるモーションプランニング（MOP）の課題に対処するための有望なアプローチとして浮上しています。
RLとADの急速な進歩にもかかわらず、多様な運転タスクに合わせたRL設計プロセスの体系的な説明と解釈は未発達のままです。
この調査では、タスク固有の視点からのレッスンに焦点を当てたAD用のRLベースのMOPの包括的なレビューを提供します。
まず、RL方法論の基礎の概要を説明し、次にMOPでアプリケーションを調査し、シナリオ固有の機能とタスク要件を分析して、RL設計の選択肢に対する影響に光を当てます。
この分析に基づいて、主要な設計体験を要約し、さまざまな運転タスクアプリケーションから洞察を抽出し、将来の実装のガイダンスを提供します。
さらに、RLベースのMOPのフロンティアの課題を調べ、これらの課題に対処するための最近の取り組みをレビューし、未解決の問題を克服するための戦略を提案します。

要約(オリジナル)

Reinforcement learning (RL), with its ability to explore and optimize policies in complex, dynamic decision-making tasks, has emerged as a promising approach to addressing motion planning (MoP) challenges in autonomous driving (AD). Despite rapid advancements in RL and AD, a systematic description and interpretation of the RL design process tailored to diverse driving tasks remains underdeveloped. This survey provides a comprehensive review of RL-based MoP for AD, focusing on lessons from task-specific perspectives. We first outline the fundamentals of RL methodologies, and then survey their applications in MoP, analyzing scenario-specific features and task requirements to shed light on their influence on RL design choices. Building on this analysis, we summarize key design experiences, extract insights from various driving task applications, and provide guidance for future implementations. Additionally, we examine the frontier challenges in RL-based MoP, review recent efforts to addresse these challenges, and propose strategies for overcoming unresolved issues.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google