具有不确定动力学的智能车辆的基于学习的接近最优运动规划
摘要：基于稀疏核强化学习的高斯过程回归算法在智能车辆的运动规划上具有在线自适应和近似最优性能。算法设计了高效的稀疏高斯过程回归方法来学习不确定动力学模型，并基于更新的模型设计了稀疏核策略迭代算法，通过指数障碍函数学习近似最优规划策略以避免动态障碍物。该算法能够预测系统动力学的变化。通过安全感知模块高效地在车辆上部署稳定的强化学习策略，从而产生安全且较少保守的驾驶行为，显著提高了规划性能。广泛的模拟结果表明，相比其他高级运动规划方法，基于稀疏核强化学习的高斯过程回归算法在累积成本、轨迹长度和任务完成时间等方面表现更好。特别地，对一辆红旗E-HS3车辆的实验表明，该算法提供了实际可行的规划解决方案。
作者：Yang Lu, Xinglong Zhang, Xin Xu, Weijia Yao
论文ID：2308.03264
分类：Robotics
分类简称：cs.RO
提交时间：2023-08-10