Dynamically Local-Enhancement Planner for Large-Scale Autonomous Driving
作者: Nanshan Deng, Weitao Zhou, Bo Zhang, Junze Wen, Kun Jiang, Zhong Cao, Diange Yang
发布时间: 2025-03-03
来源: arxiv
研究方向: 自动驾驶，强化学习
主要内容
针对自动驾驶系统在不同地区表现差异大的问题，提出了一种动态局部增强规划器（DLE），通过结合本地驾驶数据和基本规划器来提高自动驾驶系统的可扩展性和适应性，而无需显著扩大规划器的大小。
主要贡献
1. 提出了一种动态局部增强（DLE）规划器框架，通过增加本地驾驶数据来适应区域驾驶风格，无需显著扩大模型容量。
2. 提出了一种基于图的本地特征提取方法，通过层次时空表示动态捕捉本地驾驶模式，整合道路结构进行本地交通行为建模和存储。
3. 开发了一种基于强化学习的策略增强方法，通过区域特征集成动态优化基本驾驶策略，使自动驾驶车能够根据本地环境特征自主调整决策机制，从而实现跨区域行为适应和性能提升。
研究方法
1. 位置变化马尔可夫决策过程（POVMDP）
2. 图神经网络（GNN）
3. 信息论优化
4. 强化学习（DQN算法）
5. 区域数据容器和本地信息反馈模块
实验结果
DLE规划器在多个场景中表现出优于基线策略的性能，在安全性和平均奖励方面均优于基线策略，同时保持了较小的规模。
未来工作
进一步研究如何将DLE规划器应用于更复杂的驾驶场景，并探索与其他技术的结合，以提高自动驾驶系统的整体性能和安全性。