2026-02-06 11:23
据外媒报道，来自阿米尔卡比尔理工大学电气工程系的研究人员Seyed Ahmad Hosseini Miangoleh、Amin Jalal Aghdasian和Farzaneh Abdollahi提出逆强化学习方法IRL-DAL，结合了专家模仿、自适应规划和一种新型安全监控器。这项工作意义重大，因为它在模拟环境中实现了96%的成功率，同时显著降低了碰撞事故，为自主导航树立了新的标杆，并有望在充满挑战且难以预测的真实世界场景中展现出更稳健的性能。
基于扩散的逆强化学习在提升自动驾驶安全性方面展现出令人瞩目的成果
该新型逆强化学习框架旨在显著提升自动驾驶车辆的导航性能。该研究引入了一种基于扩散的自适应前瞻规划器，旨在实现更安全、更稳健的驾驶能力。训练首先通过模仿学习专家级有限状态机控制器，为后续学习阶段奠定稳定的基础。
随后，将环境因素与逆强化学习判别器信号相结合，使车辆的动作与期望的专家级目标保持一致。最后，采用混合奖励系统实现强化学习，该系统结合了扩散环境反馈和来自逆强化学习过程的目标奖励。
条件扩散模型充当安全监控器，精心规划安全路径，以保持车道位置、避开障碍物并确保车辆平稳行驶。至关重要的是，可学习的自适应掩码能够根据车速和附近危险情况动态调整视觉注意力，从而提升感知系统的性能。
扫一扫关注微信
