IRL-DAL: Planejamento de Trajetória Seguro e Adaptativo para Direção Autônoma por meio de Modelos de Difusão Guiados por Energia

Framework IRL-DAL Melhora a Navegação de Veículos Autônomos

Um novo framework de aprendizado por reforço inverso chamado IRL-DAL está prestes a avançar a segurança e a adaptabilidade do planejamento de trajetórias em veículos autônomos. O sistema alcança uma taxa de sucesso de 96% e reduz drasticamente as instâncias de colisão para apenas 0,05 a cada 1.000 passos.

O framework IRL-DAL inicia o treinamento por meio da imitação de um controlador de máquina de estados finitos (FSM) especializado, integrando feedback ambiental com um sinal de discriminador de aprendizado por reforço inverso (IRL). Após essa fase, o sistema passa por aprendizado por reforço (RL) utilizando uma estrutura de recompensa híbrida que combina percepções ambientais com incentivos direcionados de IRL.

Um componente crucial é um modelo de difusão condicional, que atua como um supervisor de segurança para o planejamento de trajetórias de direção seguras e manutenção da disciplina de faixa. Além disso, uma máscara adaptativa aprendível (LAM) aprimora a percepção do veículo ajustando a atenção visual com base na velocidade e na proximidade de perigos.

Após a fase inicial de imitação, a política de direção é refinada utilizando a Otimização de Política Proximal (PPO), com treinamento ocorrendo dentro do simulador Webots.

O IRL-DAL navega habilmente em ambientes inseguros, demonstrando um manuseio de nível especialista em condições de direção complexas. A equipe de pesquisa disponibilizou o código do framework publicamente para incentivar o desenvolvimento adicional em direção autônoma.