Key points are not available for this paper at this time.
Das Verlassen von Autobahnen im dichten, dynamischen Verkehr ist eine wichtige Aufgabe der Pfadplanung für autonome Fahrzeuge (AVs). Diese Aufgabe kann herausfordernd sein aufgrund der unsicheren Bewegungen der umgebenden Fahrzeuge und des begrenzten Wahrnehmungs-/Beobachtungsfensters. Konventionelle Pfadplanungsmethoden berechnen normalerweise einen erforderlichen Spurwechsel-Befehl (MLC), jedoch sollte das Verhalten beim Spurwechsel (z. B. Fahrzeuggeschwindigkeit und Lückenakzeptanz) ebenfalls an die Verkehrsbedingungen und die Dringlichkeit des Verlassens angepasst werden. In diesem Papier schlagen wir einen verstärkungslernend verbesserten Autobahn-Ausfahrtsplaner vor. Die lernbasierte Strategie lernt aus vergangenen Misserfolgen und passt die Fahrzeugbewegung an, wenn das AV nicht ausfahren kann. Das Verstärkungslernen basiert auf dem Monte Carlo Baum-Suchansatz (MCTS). Der vorgeschlagene lernverbesserte Autobahn-Ausfahrtsplaner wird 6000 Mal in stochastischen Simulationen getestet. Die Ergebnisse zeigen, dass der vorgeschlagene Planer eine höhere Wahrscheinlichkeit für ein erfolgreiches Verlassen der Autobahn erzielt als ein Benchmark-MLC-Planer.
Cao et al. (Tue,) haben diese Frage untersucht.