自动驾驶---Behavior Planning之MCTS

已于 2024-04-15 20:32:02 修改
阅读量2.3k 收藏 16
点赞数 29
CC 4.0 BY-SA版权
分类专栏： 自动驾驶Planning决策规划 文章标签： 自动驾驶 人工智能 机器学习
于 2024-01-14 10:05:26 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/Janeiskangs/article/details/135437201
本文详细介绍了将蒙特卡洛树搜索（MCTS）应用于自动驾驶行为规划的论文，探讨了如何构建优化问题，将MCTS集成到规划器中，并通过案例展示了算法在高速下匝道、无保护左转和直行等复杂场景中的应用。论文指出MCTS在处理动态环境和决策平衡方面的优势，但依赖于准确的障碍物预测和环境识别。

1 背景

        在之前的博客《自动驾驶---Behavior Planning介绍-优快云博客》中，笔者推荐了一篇论文《Monte-CarloTree Search for Behavior Planning in Autonomous Driving》，不知道有没有读者看过，由于考虑到内容布局不能头轻脚重，笔者就没有深入论文内容去讲，因此计划单独开辟本篇博客去详细地介绍论文里的内容。

2 论文内容介绍

        该篇论文的主要作者来自于多伦多大学计算机科学部和博世中国上海研发中心。论文中的主要研究成果也开源了代码（GitHub - zhongshun/MCTS_for_Behavior_Planning），使用的开发平台是matlab2023a及其自动驾驶toolbox。

2.1 论文摘要

        如果自动驾驶汽车进入城市和高速公路环境，那么就需要开发鲁棒性强、适应性强的行为规划系统。研究提出了一种创新的方法来解决

了解本专栏 订阅专栏 解锁全文
自动驾驶---Motion Planning之Decider
智能汽车人的博客
02-04 1354
在Apollo中，有比较多的Decider，本篇博客笔者会大概介绍各自的作用，在后续篇幅中，笔者会抽取比较重要的Decider（量产中使用）进行讲解。
自动驾驶---Motion Planning之LaneChange
智能汽车人的博客
02-19 1854
笔者分别介绍了两种变道的方式。在Apollo中使用的变道决策，耗费的资源较大，还需要依赖后续的path_decider和speed_decider用于确定优化问题的边界，但是在灵活性和安全性等方面也有其优势，这也是Apollo架构下的一个产物；而在MCTS下的变道决策，整个架构更简洁一些，虽然有一定门槛，但只要理解了蒙特卡洛树的搜索过程，后面就很容易了解该算法了，并且MCTS的普适性和稳定性需要更多的数据来验证。
MCTS自动驾驶规划
不荒废现在，不畏惧未来！
06-20 3214
参考：蒙特卡洛树搜索 首先，我们给MCTS下两个定义。第一，MCTS是一个决策时规划算法；第二，MCTS是一个rollout算法。不同之处在于MCTS中会部分的保存值函数，从而能够指导仿真产生更高回报值的轨迹。在MCTS中，每当我们遇到一个新的状态，需要选择动作时，就会执行MCTS（决策时规划）。每一个MCTS更新过程都是一个迭代过程。这个迭代过程会仿真很多从当前状态开始直到终止态的轨迹（rollout）。MCTS的核心思想是专注于哪些获得高的评估回报的仿真，并且基于先前的高回报仿真轨迹不断的往外扩展，产生
基于蒙特卡洛树搜索的智能驾驶行为规划
智驾人在路上的博客
09-22 1942
本文主要讲述蒙特卡洛树搜索算法在智能驾驶行为规划中的应用，讲诉具体的代码及原理实现
自动驾驶（六十一）---------蒙特卡洛搜索树
热门推荐
zhouyy858
01-01 1万+
首先祝我自己元旦快乐，也祝在这个日子里看我blog的粉丝元旦快乐，今天申请了加班所以有时间写blog，程序员的生活就是这么单纯.........在这个特殊的日子里，为了充实节日气氛，学习一个名字很长的知识--蒙特卡洛搜索树，如果要问和自动驾驶有什么关系，我想在决策的时候可以用到吧，只是博弈论暂时并没有引入进自动驾驶中。另外它和A*算法类似，在导航上也有应用的可能。 特别的...
自动驾驶---Behavior Planning介绍
智能汽车人的博客
12-31 1717
自动驾驶的行为规划（Behaviour Planning）是自动驾驶系统中的关键组成部分之一，主要涉及车辆对周围环境的感知、理解和判断，以及基于这些信息作出决策的过程。行为规划是无人车规划模块的一层，位于全局任务规划层（Routing）和动作规划层（Motion Planning）之间，也被称为驾驶行为决策。它的主要作用是根据上层全局最优行驶路线信息，以及当前交通场景和环境感知的信息，来确定自身当前驾驶状态。在交通规则的约束和驾驶经验的指导下，规划出合理的驾驶行为。
自动驾驶---Behavior Planning之EUDM
智能汽车人的博客
05-12 1739
EUDM在自动驾驶领域具有广泛的应用前景。通过有效处理不确定性因素，它能够在复杂的交通环境中生成安全、高效的驾驶决策。此外，由于采用了高效的剪枝策略和引导分支方法，该方法的计算效率较高，适用于实时性要求较高的自动驾驶系统。随着自动驾驶技术的不断发展，该方法有望在未来的自动驾驶系统中发挥重要作用。
（5-2-02）任务规划与推理：现代规划技术（2）蒙特卡洛树搜索（MCTS）的扩展应用
最新发布
码农三叔
03-30 1007
蒙特卡洛树搜索（Monte Carlo Tree Search，MCTS）是一种用于在决策过程中寻找最优策略的启发式搜索算法，广泛应用于组合博弈、人工智能等领域。MCTS结合了随机模拟的广泛覆盖性和树搜索的精确性，能够在复杂的决策空间中有效地探索和利用。例如下是一个基于蒙特卡洛树搜索（MCTS）的通用 AI Agent 的例子，以井字棋（Tic-Tac-Toe）游戏为环境演示了MCTS的实现流程，包含环境定义、MCTS 算法实现和 Agent 决策逻辑。上述过程重复多次，每次迭代都加深搜索树的构建和完善。
自动驾驶---End-to-end用于Planning行为规划
智能汽车人的博客
01-06 1799
从GPT4-V的表现总体来说，类似GPT4-V这种大模型用于自动驾驶决策还是很有前景的，当喂入海量的人类驾驶数据及场景图片，它的驾驶行为也会越来越智能，至于直接端到端到控制目前来看可能比较激进，以量产的角度来看，笔者认为用于自动驾驶行为规划是非常合适的。
（MCTS）蒙特卡洛树搜索——参数寻优
weixin_38316806的博客
10-18 2717
文章目录Zero.写作动机一、模型原理二、编程实现Notice. Zero.写作动机 对给定参数区间内部进行搜索，寻找到最优参数近似解的方法有很多。比如网格搜索。但是网格搜索太过暴力，往往花销过大。这里介绍一种新的参数寻优方法——蒙特卡洛树搜索。 网络上关于蒙特卡洛方法几乎清一色都是在介绍Buffon实验并以此估计某个量。这里，我们介绍蒙特卡洛树用于参数寻优。 一、模型原理 下面推荐几个博客，这些...
github中关于MCTS的工程及源码
08-02
内含github中关于MCTS的工程及源码，Python实现，一些简单例子，可学习使用
MonteCarlo 蒙特卡罗方法 Matlab源代码
09-28
包括了用Matlab实现的蒙特卡罗方法源代码，蒙特卡罗方法讲解的PPT，同时有使用蒙特卡罗方法的demo.
蒙特卡洛的ＭＡＴＬＡＢ实现
06-09
蒙特卡洛的ＭＡＴＬＡＢ实现的一个例子。可以作为相关代码的参考。
流程图直观描述蒙特卡洛树搜索（MCTS）
abc_lml的博客
11-13 2324
目录核心思想策略基本步骤示例流程图 核心思想 从当前状态出发的多个模拟轨迹不断地聚焦和选择，这是通过扩展模拟轨迹中获得较高评估值的初始片段来实现的，而这些评估值则是根据更早之前的模拟样本计算的。 策略 任何一条模拟轨迹都会沿着这棵树延伸，最后从某个叶子节点离开树。在这个过程中会涉及两个策略，一个是树内部的策略，另一个为树外部策略。 在树的内部，对于已经有动作价值估计的部分节点，我们采用树策略（ϵ\epsilonϵ-greedy、UCB）来选择动作 在树的外部以及叶子节点，通过预演策略选择动作。 基本步骤
MATLAB 蒙特卡洛
nameofcsdn的博客
05-18 4353
MATLAB 蒙特卡洛
深度解读：决策型人工智能如何驾驶车辆
qq_18256855的博客
05-18 1012
自动驾驶一直是人工智能的重要应用领域，在人工智能技术飞速发展的今天，如何将最新的机器学习技术应用到自动驾驶模型的训练当中，已经成为人工智能研究的前沿问题。随着人们对 AI 的要求从感知型逐渐深化到决策型，AI 在自动驾驶任务中的应用能力也成为了衡量决策型 AI 技术发展的标准之一。 OpenDILab此前也建立了 DI-drive 这一基于真实自动驾驶AI case的评测和算法平台。本文章综述了各种决策 AI 方法在自动驾驶环境中的尝试，总结了它们针对自动驾驶任务所做的各种设计类型，同时也罗列了一...
开源项目介绍
fzx12138的博客
01-21 2769
微分平坦的思想是：一个全维度的状态空间可以被一组低维的精心挑选的输出平坦空间（flat-output space）的变量及其导数的代数组合的方式所表示。由此，轨迹规划就可以在这组精心挑选的变量的空间所进行。论文：An Efficient Spatial-Temporal Trajectory Planner for Autonomous Vehicles。
【AI视野·今日Robot 机器人论文速览 第五十八期】Thu, 19 Oct 2023
TomRen
10-24 715
AI视野·今日CS.Robotics 机器人学论文速览 Thu, 19 Oct 2023 Totally 25 papers 👉上期速览✈更多精彩请移步主页 Daily Robotics Papers InViG: Benchmarking Interactive Visual Grounding with 500K Human-Robot Interactions Authors Hanbo Zhang, Jie Xu, Yuchen Mo, Tao Kong歧义在人类交流中普遍存在。以前的
LightZero：以 MCTS 为帆，航向决策 AI 的星辰大海
Paper weekly
05-25 801
引言图1：AlphaGO对李世石五番棋2016 年 AlphaGo [1] 与李世石的世纪对决可谓是开启了近十年来人工智能技术探索和发展的浪潮。在围棋这一人类最经典优美的智力游戏上，传统的搜索算法往往迷失在浩如烟海的搜索空间中，朴素的神经网络设计也难以捕捉复杂多变的决策序列数据分布，但是，巧妙地将二者相结合，化用蒙特卡洛树搜索算法（Monte Carlo Tree Search, MCTS）和神经...
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

智能汽车人

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值