Autonomous Vehicle Lateral Control Using Deep Reinforcement Learning with MPC-PID Demonstration

要約

コントローラーは、自律運転パイプラインで最も重要なモジュールの1つであり、車両が望ましい位置に達するようにします。
この作業では、測定エラーと単純化による車両モデルの欠陥にもかかわらず、強化学習ベースの横方向制御アプローチが提示されています。
私たちのアプローチは、制御モジュールと他のモジュールの間のインターフェイスを考慮して、快適で効率的で堅牢な制御性能を保証します。
コントローラーは、従来のモデル予測制御（MPC）パーツの基底とデモンストレーターとして構成されており、MPC-PID部分からオンライン情報を活用するディープ補強学習（DRL）部分で構成されています。
コントローラーのパフォーマンスは、ウェイポイントのグラウンドトゥルースを入力として使用して、カーラで評価されます。
実験結果は、車両情報が不完全であり、DRLのトレーニングをデモンストレーション部分で安定させることができる場合のコントローラーの有効性を示しています。
これらの調査結果は、将来の自律運転パイプラインの開発と統合の取り組みを減らす可能性を強調しています。

要約(オリジナル)

The controller is one of the most important modules in the autonomous driving pipeline, ensuring the vehicle reaches its desired position. In this work, a reinforcement learning based lateral control approach, despite the imperfections in the vehicle models due to measurement errors and simplifications, is presented. Our approach ensures comfortable, efficient, and robust control performance considering the interface between controlling and other modules. The controller consists of the conventional Model Predictive Control (MPC)-PID part as the basis and the demonstrator, and the Deep Reinforcement Learning (DRL) part which leverages the online information from the MPC-PID part. The controller’s performance is evaluated in CARLA using the ground truth of the waypoints as inputs. Experimental results demonstrate the effectiveness of the controller when vehicle information is incomplete, and the training of DRL can be stabilized with the demonstration part. These findings highlight the potential to reduce development and integration efforts for autonomous driving pipelines in the future.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google