Deep Reinforcement Learning for Autonomous Vehicle Intersection Navigation

要約

このペーパーでは、自動運転車 (AV) の密集した交通シナリオにおける複雑な T 字交差点のナビゲーションに関連する課題を検討します。
強化学習アルゴリズムは、AV がリアルタイムで安全かつ効率的な意思決定を行えるようにすることで、これらの課題に対処する有望なアプローチとして浮上しています。
ここでは、Twin Delayed Deep Deterministic Policy Gradient (TD3) 強化学習アルゴリズムに基づく低コストのシングル エージェント アプローチを使用して、T 字路を効率的かつ安全に移動するという問題に取り組みます。
TD3 ベースの手法が、CARLA シミュレーション プラットフォームでトレーニングおよびテストされた場合、さまざまな交通密度において安定した収束と安全性能の向上を示すことを示します。
私たちの結果は、提案されたアプローチにより、AV が T 字路交差点を効果的にナビゲートできるようになり、移動遅延、衝突の最小化、および全体的なコストの点で以前の方法よりも優れていることが明らかになりました。
この研究は、自動運転における強化学習アプリケーションに関する一連の知識の増加に貢献し、より複雑な運転シナリオに対処し、将来的に強化学習アルゴリズムを進歩させるための、シングルエージェントで費用対効果の高い方法の可能性を強調しています。

要約(オリジナル)

In this paper, we explore the challenges associated with navigating complex T-intersections in dense traffic scenarios for autonomous vehicles (AVs). Reinforcement learning algorithms have emerged as a promising approach to address these challenges by enabling AVs to make safe and efficient decisions in real-time. Here, we address the problem of efficiently and safely navigating T-intersections using a lower-cost, single-agent approach based on the Twin Delayed Deep Deterministic Policy Gradient (TD3) reinforcement learning algorithm. We show that our TD3-based method, when trained and tested in the CARLA simulation platform, demonstrates stable convergence and improved safety performance in various traffic densities. Our results reveal that the proposed approach enables the AV to effectively navigate T-intersections, outperforming previous methods in terms of travel delays, collision minimization, and overall cost. This study contributes to the growing body of knowledge on reinforcement learning applications in autonomous driving and highlights the potential of single-agent, cost-effective methods for addressing more complex driving scenarios and advancing reinforcement learning algorithms in the future.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google