자율 주행 의사 결정 계획의 문제와 과제를 논의한 기사
- 王林앞으로
- 2023-05-13 08:07:10865검색
자율 운전의 위치 지정, 인식, 예측, 의사 결정 계획 및 제어 모듈에서 인식 모듈은 인간의 눈과 귀와 같으며 외부 환경을 감지하는 역할을 담당합니다. 제어 모듈은 인간의 손과 발과 유사하여 최종 가속을 담당합니다. , 감속, 조향 및 기타 작업, 의사 결정 계획 모듈은 인간의 두뇌와 유사하여 수신된 인식 및 기타 정보를 기반으로 행동 결정을 내리고 궤적을 생성합니다.
"Smart Driving Frontier" WeChat 비디오 계정을 팔로우하신 것을 환영합니다. 인간의 뇌가 좌뇌와 우뇌로 나누어져 있는 것처럼 의사결정 계획 모듈은 행동 의사결정 계층(행동)으로 더 나눌 수 있습니다. 레이어) 및 모션 계획 레이어(Motion Planning).
그 중 행동 의사 결정 계층은 전역 경로를 수신한 후 감각 정보를 결합하여 특정 행동 결정을 내립니다. 동작 계획 계층은 특정 행동 결정을 기반으로 특정 제약 조건을 충족하는 궤적을 생성할 계획이며, 이 궤적은 제어모듈의 입력으로 사용되어 차량의 최종 주행경로를 결정합니다.
자율주행 수준이 지속적으로 향상됨에 따라 자율주행의 두뇌인 의사결정 및 계획 계층의 중요성도 높아지고 있습니다. 하지만 인간의 뇌에 비하면 자율주행의 뇌는 아직 따라잡기 멀다. 이 기사에서는 만 단어를 통해 경로 계획에서 모션 계획의 문제와 과제를 자세히 설명합니다.
01 Motion Planning에 흔히 사용되는 알고리즘
Motion Planning 알고리즘은 로봇공학 분야에서 개발되어 점차 자율주행 분야에 적합한 다양한 알고리즘을 개발해 왔습니다. 논문[1]에서는 Motion Planning의 궤적 생성 방법에 대한 개요를 제공합니다. 소개된 방법은 아래 그림과 같습니다.
샘플링 검색 기반 알고리즘: Dijkstra, RRT, A*, hybridA* 및 Lattice 등
곡선 보간 기반 알고리즘: RS 곡선, Dubins 곡선, 다항식 곡선, 베지어 곡선, 스플라인 곡선 등;
최적화 기반 알고리즘: Apollo의 Piecewise-jerk 등
다중 에이전트;엔지니어링 문제. 2.1 최적성 문제전역 최적화는 NP-난해한 문제입니다[3]. 실시간 성능을 위해 대부분의 업계에서는 수평 및 수직 디커플링 계획 방법을 채택합니다. 그러나 그렇게 하면 최적성이 희생되고 추월[2], 다가오는 차량, 구심 가속도 제약 처리, 종단 계획 능력을 고려해야 하는 수평 계획 등 일부 작업 조건에서는 좋은 차량 동작을 얻을 수 없습니다. 예를 들어 자율주행차(ADC) 앞에 감속 중인 차량이 있는 경우 수평 및 수직 디커플링 방식은 일반적으로 앞 차량의 속도가 일정 값 이하로 감소할 때만 추월합니다. ADC의 동작은 먼저 속도를 줄이거나 심지어 정지한 다음 장애물을 피해 운전하는 것입니다. 이는 분명히 최적의 운전 전략이 아닙니다. 시공간 통합 계획 방식을 채택하면 감속이나 주차 행위를 피할 수 있습니다. 아래 그림의 왼쪽 그림은 디커플링 방식의 예입니다. 전방에 감속 중인 차량이 있을 때 ADC가 감속합니다. 오른쪽 그림은 시공간 계획의 예입니다. 앞차의 속도가 느려지면 ADC가 추월합니다.
2.2 인지추론 문제
2.2.1 지도 위상 추론
또한 HD 지도 모듈이 없고 시각적인 차선에만 의존하면 현재 차선 인식이 비정상적입니다. 도로 위상 문제는 특히 들어오고 나가는 도로와 교차로에서 두드러집니다.
2.2.2 장애물의 통합 모델링
교통 현장의 참가자에는 차량, 오토바이, 자전거, 보행자, 콘 등이 포함됩니다. 광범위하게 말하면 횡단보도, 신호등, 도로 속도 제한과 같은 정적 지도 요소도 포함됩니다. 모션 계획은 다양한 요소에 대해 서로 다른 결정을 내려야 합니다. 장애물의 통합 모델링은 문제를 단순화하고 계산 효율성을 향상시킬 수 있습니다.
Aopllo는 모든 교통 참여자를 정적 장애물, 동적 장애물, 가상 장애물로 추상화합니다. 장애물은 상자이고, 정적 장애물과 동적 장애물은 차량, 보행자 등이며, 가상 장애물은 횡단보도, 주차 금지 구역 등입니다. 가상 장애물은 경로 계획 중에 고려되지 않습니다.
에너지 분야 관련 방법을 사용하여 에너지 함수를 사용하여 교통 참가자를 표현합니다. 위 그림의 가운데 그림은 Tsinghua[4]가 제안한 운전 안전장으로, 정지 물체의 위치에너지장, 움직이는 물체의 운동에너지장, 운전자 행동장으로 구성된다. 최적의 궤적은 에너지 합이 최소인 궤적을 찾는 것입니다.
논문 [5]에서는 교통 참여자를 장애물형과 제약형으로 구분합니다. 장애물과 유사한 것은 동적 및 정적 차량, 적색 신호등 등이며 SLT의 3D 그리드에 매핑됩니다. 제약과 유사한 것은 의미적 경계로서 속도 제한, 정지 신호 등입니다. 결정 시퀀스 동작에 따라 궤적 생성을 위한 SLT 구성 공간에 여러 개의 큐브 경계가 생성됩니다.
2.2.3 시나리오 인지 추론
실제 환경의 복잡성으로 인해 하나의 의사결정 전략이나 계획 방법으로 다양한 작업 조건을 처리하는 것은 어렵습니다. 따라서 운전 환경을 분류하고 다양한 시나리오에서 다양한 전략을 선택하면 모션 계획의 성능을 향상시킬 수 있습니다. 그렇다면 장면 분류와 장면 인식은 어떻게 수행하며, 장면별 모션 계획의 차이점은 무엇입니까? 이러한 문제는 모두 해결되어야 합니다.
Aopllo의 장면 분류는 LANE_FOLLOW, SIDE_PASS, STOP_SIGN_UNPROTECTED 등입니다. 장면 인식에는 두 가지 방법이 있는데, 하나는 규칙을 통한 것이고 다른 하나는 기계 학습을 통한 것입니다. 다양한 시나리오에는 다양한 단계가 있으며 작업은 해당 단계에서 순차적으로 실행됩니다. 동일한 작업이라도 시나리오에 따라 매개변수 구성이 다를 수 있습니다.
하이무는 교차로, 정체, 차선 변경이 많은 도시 장면의 특성을 기반으로 주행 장면을 10가지 카테고리로 구분하는데, 이는 아폴로의 시나리오 분류와는 분명히 다릅니다. 그러나 하이무의 장면 인식 방식은 알려져 있지 않습니다. Hao Mo는 또한 운전 환경의 혼잡 상태를 설명하기 위해 운전 환경 엔트로피 개념을 제안했습니다.
2.3 불확실성
2.3.1 위치 지정 불확실성
대부분의 모션 계획에서는 위치 지정이 충분히 정확하다고 간주됩니다. 그러나 실제 시나리오에서는 폐색 및 다중 경로 간섭과 같은 문제로 인해 위치 지정이 부정확한 경우가 많습니다. 논문[6]의 왼쪽 아래 그림과 같이 위치오차로 인해 HD Map 모듈에서 조회한 도로 경계에 오류가 발생하여 계획 및 차량 주행 궤적이 도로 경계에 있게 된다.
Picture
논문에서는 포지셔닝 불확실성이 가우스 분포라고 가정하고 포지셔닝 모듈은 확률 분포의 기대값과 분산을 계산할 수 있습니다. 논문은 차량 좌표계를 UTM 좌표계로 변환합니다. 위치의 고속 분포와 좌표 변환 공식에 따라 위치의 영향을 받는 차량 주변 환경의 불확실성을 그림과 같이 계산할 수 있습니다. 위의 오른쪽은 색상이 어두워질수록 불확실성 계산 공식은 주로 다음 공식에 의해 구해집니다.
ADC에서 멀어질수록 불확실성이 높아지는 것을 알 수 있습니다. 차량이 앞으로 나아갈수록 불확실성이 업데이트됩니다. 경로 계획 방식은 래티스(5차 다항식 곡선) 방식을 사용하며, 비용 계산 시 2개의 항목이 추가된다. 하나는 엄격한 제약입니다. 계획 경로에 있는 한 지점의 최대 불확실성은 특정 임계값보다 클 수 없습니다. 두 번째는 비용 함수에 추가되는 불확실성의 가중치 합계입니다.
2.3.2 인식 불확실성
센서 소음, 차량 진동, 운전 환경 및 불완전한 알고리즘으로 인해 인식으로 얻은 결과는 불확실하거나 심지어 잘못되었습니다. 인지된 불확실성으로 인해 모션 계획의 결과는 안전하지 않습니다. 간단한 처리 방법은 버퍼를 추가하는 것이지만, 거친 처리 방법은 Motion Planning의 실행 가능 범위를 감소시키고 지나치게 공격적이거나 지나치게 보수적인 운전 전략을 초래할 수 있습니다.
논문[7]에서는 AVM(Around View Monitoring)이 장착된 주차 애플리케이션을 예로 들어보겠습니다. 인식 오류로 인해 경로 계획으로 인해 실제 추월 위치에 주차가 발생하고 그림과 같이 충돌이 발생할 수 있습니다. 아래 왼쪽 그림. 이 논문에서는 인지된 불확실성을 가우스 분포로 모델링합니다. 아래 오른쪽 그림에 표시된 것처럼 인지된 효과가 ADC에서 멀어질수록 불확실성이 높아집니다.
아래 왼쪽 그림은 논문의 전체적인 구조를 보여주고 있으며, 이 알고리즘을 사용한 효과는 아래 오른쪽 그림과 같습니다.
주차 공간 샘플링: ADC에 가장 가까운 2개의 코너 지점을 샘플링하고, 샘플링 지점을 정규 분포로 처리하며, 샘플링 코너 지점과 설정된 주차 공간의 길이를 기반으로 ADC 리어 액슬 중앙의 주차 지점을 계산합니다.
경로 후보 생성: OCP 이론을 사용하여 각 샘플링 지점에 대한 경로 계획을 수행합니다. 여기서 시간 영역 문제는 Ferent 좌표계로 변환되고 SQP는 비선형 문제를 해결하는 데 사용됩니다.
최적 경로 선택: 유틸리티 사용 최적화 경로 선택 이론. 효용 함수는 다음과 같습니다. EU(s) = P(s) x Uideal(s) +(1-P(s)) x Ureal(s), 여기서 P(s)는 샘플링 지점에 해당하는 경로의 확률입니다. Uideal은 목표 지점의 편차 효용함수 값(샘플링을 통해 얻은 것이 아니라 현재 순간에 감지됨)에 대한 경로이고, Ureal은 ADC의 현재 위치로 향하는 경로에 대한 효용함수 값입니다.
2.3.3 예측 불확실성
예측은 L4 이상의 높은 수준의 자율주행을 달성하는 데 중요한 부분입니다. 그러나 현재로서는 예측은 업계 전체에 있어 매우 어려운 문제로 남아 있습니다. 따라서 예측의 정확도가 매우 낮으며, 예측 결과의 불확실성 하에서 동작 계획을 세우는 것이 매우 중요합니다.
논문 [8]은 예측 및 제어의 불확실성으로 인해 발생하는 안전하지 않은 계획 궤적 문제를 처리하기 위해 가우스 분포를 기반으로 한 계획 아키텍처를 제안합니다.
후보 궤적 생성: 다단계 수평 및 수직 샘플링을 통해 생성됩니다. Aopllo Lattice 방식으로 이해하면 됩니다.
예측 궤적 생성: 특정 차량의 궤적을 예측(계획)할 때 다른 차량이 일정한 속도로 주행하고 있다고 가정하고 그 상태를 판단한 후 후보 궤적의 비용을 계산하여 최적의 예측을 얻습니다. 궤도. 예측된 궤적의 확률 분포는 정규 분포를 따른다고 가정하고 칼만 필터링을 통해 계산됩니다.
ADC 궤적 생성: 이때 다른 트래픽 참가자의 예측에 대한 불확실성을 고려해야 합니다. 각 후보 궤적에 대해 LQR 알고리즘을 통해 제어 오차를 계산한 후 칼만 필터링을 통해 궤적의 확률 분포를 계산합니다. 궤적 평가를 위해 cos 계산을 수행할 때 충돌 탐지는 예측된 궤적과 궤적의 확률 분포를 기반으로 합니다. ADC 계획 궤적, 즉 어떤 확률 분포 내에서도 충돌이 발생할 수 없습니다.
저자는 이 방법이 상자에 적응형 버퍼를 추가하는 것과 동일하다고 생각하며, 기존의 고정 크기 버퍼는 보수적이거나 공격적인 운전 행동으로 이어질 것이라고 생각합니다.
논문 [9]는 기존 모션 계획 프레임워크에 내장할 수 있는 안전 장치 메커니즘을 제안하며 이는 세 부분으로 나뉩니다.
세트 기반 예측: 공식화된 운전 전략 및 차량 기반 교통 참가자 운동학적 모델은 교통 참가자의 원래 단일 예측 궤적을 여러 예측 궤적으로 변경합니다.
실패 방지 궤적: 예측 결과를 기반으로 원래 계획 궤적에서 충돌 위험이 있는 첫 번째 궤적 지점을 계산합니다.
온라인 검증: 두 번째 단계에서 생성된 궤적에 ADC를 투영하여 첫 번째 단계에서 예측된 차량 궤적과 충돌하는지 확인합니다.
이 방법은 Motion Planning을 다시 수행하는 것 같습니다. 논문에서는 안전 궤도가 결정 결과를 고려하는지 여부를 설명하지 않기 때문에 안전 궤도가 결정 결과를 만족하지 못할 수도 있습니다. 시뮬레이션일 뿐 실제 적용은 불가능합니다.
2.3.4 부분적으로 관찰 가능한 환경
센서 자체의 제한된 감지 범위와 감지 결과의 불확실성으로 인해 조명이 좋지 않거나 날씨가 좋지 않으면 더욱 증폭됩니다. 도시의 작업 환경에서 건물의 폐색은 아래 그림과 같이 불완전한 인식을 유발합니다. 또한, 대형 차량 역시 지각 폐쇄 문제를 일으킬 수 있으며, 대부분의 Motion Planning은 완전한 인지로 처리되기 때문에 계획 결과가 매우 안전하지 않습니다.
논문[10]은 가장 위험한 상황에서 차량의 최대 제동 능력 하에서 계획된 궤적이 충돌 없이 안전하게 정지할 수 있도록 불완전한 인식을 처리하는 안전한 모션 계획을 제안합니다. 인지의 불확실성과 인지 거리의 범위를 고려하여 직선 도로를 주행하는 상황과 도시 교차로에서의 불완전 인지 상황을 고려하는 두 가지 상황으로 구분됩니다. 그리고 저자는 이전에 제안한 최적화 방법(리뷰의 그림 (b))을 기반으로 궤적 계획에서 시뮬레이션 검증을 수행하여 다른 Motion Planning 아키텍처에 쉽게 포함할 수 있습니다.
저자는 자신의 이론에 대해 몇 가지 가정을 설계했습니다.
위치 지정의 세로 위치와 속도 정보는 가우스 분포를 따릅니다.
인식의 유효 범위가 알려져 있으며, 인지 결과는 가우스 분포를 따릅니다. 포함 건물의 위치는 볼록 다각형입니다.
차량 가속 예측을 위해 IDM(지능형 운전자 모델)을 사용합니다.
논문에서는 직선 도로와 교차로라는 두 가지 상황을 다루기 때문에 장면 인식을 위해 규칙 기반 접근 방식을 사용합니다.
왼쪽 위 사진: 빨간색 점선은 관찰된 환경이 감지된 시간이고, 검은색 점선은 Motion Planning에서 사용하는 감지 정보가 이전임을 알 수 있습니다. tp 시간. 또한 모션 계획은 연속성을 보장해야 하므로 모션 계획 계산 주기 내에서 계획된 궤적이 일관되어야 합니다. 더 중요한 것은 액츄에이터의 지연으로 인해 tsafe 시간 내에 궤적의 안전이 보장되어야 한다는 것입니다. 논문에서는 tsafe= 2tpin
상단 및 중앙 사진: 직선 도로 주행은 두 가지 상황으로 나뉩니다. 감지 범위 내에 차량이 없는 경우, 감지 범위 내에 차량이 없는 경우입니다. 주행 감지 범위 밖에 정지한 차량이 있다고 가정하고, 이를 가상의 정지 장애물로 설정하고, 가우스 분포 특성을 이용하여 t안전 순간의 최대 제동 능력을 만족하는 종방향 변위 및 속도 제약 조건을 계산할 수 있습니다. , 감지 범위 내에 차량이 있는 경우 감지의 불확실성을 고려하여 가장 위험한 상황, 즉 앞차가 최대 제동 능력으로 제동하는 경우의 가우스 분포 특성을 통해 종방향 변위를 만족하도록 계산할 수 있습니다. tsafe 순간 내 최대 제동 용량으로 제동의 속도 제한
위 오른쪽 그림: 교차로에서 운전할 때 ADC가 양보해야 하는지 또는 우선권이 있는지를 IDM 모델에 따라 계산하고 이를 명확하게 표시해야 합니다. 먼저 통과할 생각이다. 최종적으로 직선 주행을 위한 두 가지 유형의 제약으로 변환되었습니다.
2.4 Single Agent
Single Agent는 이를 단일 에이전트 문제로 간주합니다. 즉, ADC는 ADC의 행동 결정이 다른 트래픽 참가자에게 미치는 영향을 고려하지 않고 주변 환경에 대한 결정을 내립니다. 모션 계획 문제가 단순화되었습니다.
행동 의사결정은 자율주행의 발전에 영향을 미치는 또 다른 중요한 측면입니다. 자율주행 수준이 높아질수록 행동 의사결정이 더욱 중요해집니다. 행동 의사 결정의 어려움은 자율 차량의 지능을 구현하는 방법과 자율 차량이 인간 운전자와 같은 고차원, 다중 제약 조건의 복잡한 시나리오를 처리하거나 인간 운전자보다 더 나은 성능을 발휘할 수 있도록 하는 방법입니다.
대부분의 최신 방법은 기능이 제한된 규칙 기반 방법입니다. 규칙방식에 따른 행동의사결정 측면에서, 진입로 조건에서는 진입로 입구로부터의 거리 임계값이 일반적으로 설계된다. ADC에서 램프까지의 거리가 임계값 내에 들어오면 가장 오른쪽 차선으로 차선 변경이 시작됩니다.
이 임계값을 2km라고 가정할 때, ADC가 램프 교차로 2.1m 중앙 차선에서 주행 중이고, 앞에 저속 차량이 있는 경우 규칙 기반 행동 의사 결정은 일반적으로 차선을 왼쪽 차선으로 변경하도록 선택합니다(왼쪽 차선 제한 속도가 높으며 추월은 왼쪽 차선을 따라야 합니다. Xiaopeng NGP 및 기타에서 볼 수 있듯이 왼쪽 차선이 우선권이 있음). 그러나 차선변경 후 램프 진입점까지의 거리 임계값이 2km 미만인 경우, 이때 가장 오른쪽 차선으로 차선변경을 해야 하며, 2번의 연속 차선변경을 수행해야 하는데, 이는 충분히 스마트하지 못한 것으로 나타난다.
또 다른 예는 진입로 500m 전 가장 오른쪽 차선에서 운전하는 경우입니다. 공사나 사고로 인해 전방 도로를 주행할 수 없는 경우 이때는 운전자만 인계를 받을 수 있습니다. 실제 작업 조건의 복잡성으로 인해 규칙 기반의 행동 의사 결정 방법으로는 좋은 운전 경험을 달성하기 어렵다는 것을 알 수 있습니다.
OPMDP에 대한 홍콩 과학 기술 대학교의 행동 의사 결정 작업[11]은 규칙 기반 방법에 비해 일정한 성능 향상을 제공하며 ADC 및 기타 트래픽 참가자의 동작을 제거하여 OPMDP의 시간 소모를 줄입니다. . 그러나 다른 트래픽 참가자가 ADC의 동작을 피할 것이라는 점 등을 고려합니다. 처리해야 할 다중 에이전트 문제임을 알 수 있습니다.
2.5 Multiple Agent
위에서 언급한 단일 에이전트에서는 트래픽 참가자가 ADC의 동작에 대해 해당 결정을 내리지 않을 것이라고 생각되지만 실제로는 ADC가 결정을 내릴 때 그 동작이 영향을 받습니다. 원래 예측 결과의 신뢰성을 감소시키는 기타 교통 참가자 동작, 특히 모션 계획 결과에 의존하지 않거나 이전 프레임 모션 계획(Apollo)의 결과를 사용하는 일부 간단한 규칙 기반 예측.
예를 들어 아래 왼쪽 그림에서 ADC L이 궤적 1을 따라 이동 중일 때 A2는 이를 피하기 위해 속도를 늦출 수 있습니다. ADC L이 궤적 2를 따라 이동함에 따라 A2는 교차점을 통해 가속될 수 있습니다. 하지만 ADC L이 2번 궤적을 따라 주행 중일 때 A2가 교차로를 통해 가속할 수도 있지만, A2가 ADC L의 의도를 오해해 속도를 늦춰 두 차량이 잠길 가능성도 예상된다. 따라서 ADC가 다른 교통 참여자의 의도를 어떻게 이해하는지, 다른 교통 차량이 ADC의 의도를 어떻게 이해하는지가 중요하다[12].
2.6 엔지니어링 문제
모션 계획에는 주로 다음과 같은 측면을 포함하여 몇 가지 엔지니어링 문제가 직면하게 됩니다.
실시간: 첫 번째 질문에서 언급한 최적성 문제를 해결하려면 3차원 공간에서의 검색 계산이 복잡하기 때문에 실시간 성능을 보장할 수 없는 이유이기도 합니다. 공동 시공간 계획의 적용. 또한 최적화 알고리즘의 대규모 제약 조건과 비선형성도 실시간 문제에 직면합니다.
완전성: 보간 및 격자와 같은 알고리즘은 확률적으로 완전합니다. 특히 복잡한 다중 장애물 환경에서는 제한된 샘플링으로 충돌 없는 궤적을 얻기가 어렵습니다. 최적화 방법은 수치적 해법으로 인해 완전성을 달성할 수 없으며 일반적으로 사용되는 osqp 솔버는 잘못된 해를 제공할 수도 있습니다.
정량화 어려움: 모션 기획의 평가 지표 대부분은 편안함, 통행성 등 주관적이어서 정량적으로 평가하기 어렵습니다. 엔지니어마다 매개변수를 조정하여 승객의 주관적인 느낌과도 다른 다양한 신체 감각을 얻습니다. 따라서 Motion Planning에서 매개 변수나 차선 변경 전략을 학습하기 위한 기계 학습 방법이 제안됩니다.
03 산업 솔루션
위의 문제와 과제에 대응하여 업계 기업들도 일부 솔루션을 적극적으로 탐색하고 제안하고 있으며 그 중 일부는 아래에 나열되어 있습니다.
Qingzhou Zhihang은 시공간 공동 계획을 사용하여 최적성 문제를 해결하고 계획 성능을 개선하며 효율적인 솔루션을 위해 자체 개발한 비선형 계획기를 개발합니다[2].
TuSimple의 차세대 프레임워크에서는 장애물 위치, 속도 등의 정보를 제공할 때 인식 모듈이 불확실성이나 확률 정보도 제공하여 의사결정 계획이 사전에 안전하고 편안한 결정을 내릴 수 있도록 보장합니다[13].
Tesla는 교통 참여자를 위해 다른 차량에 플래너를 사용합니다. 그러나 다른 차량과 상호 작용할 때 계획은 ADC만을 위한 것이 아니라 모든 교통 참여자가 공동으로 계획해야 전체 장면의 교통 흐름을 최적화할 수 있습니다. 이를 위해 장면에 참여하는 각 개체에 대해 자동 조종 장치 플래너가 실행됩니다. 또한 주차 시나리오의 경우 A 검색 알고리즘과 신경망 조합 전략을 사용하여 A 알고리즘의 노드 탐색을 크게 줄입니다[15].
Xpeng과 Tesla는 차선 누락 및 도로 지형 변경 문제를 최적화했습니다[14].
Waymo는 의사결정 성능을 향상시키기 위해 ChauffeurNet을 제안했으며[16], Apollo는 ChauffeurNet을 기반으로 하는 자체 강화 학습 아키텍처[17]를 제안했습니다.
위 내용은 자율 주행 의사 결정 계획의 문제와 과제를 논의한 기사의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!