Learning-Based Autonomous Oversteer Control and Collision Avoidance

Seokjun Lee

doi:10.1109/tiv.2026.3750011

Learning-Based Autonomous Oversteer Control and Collision Avoidance

2026-11-03

0

PRE

AI

DOI：10.1109/tiv.2026.3750011

原文链接

摘要

En 中文

过度转向，即车辆后轮失去抓地力并导致非预期的过度偏航，带来了严峻的安全挑战。未能控制过度转向往往会导致严重的交通事故。尽管最近的自动驾驶研究尝试通过稳定操作来处理过度转向，但大多数方法依赖专家定义的轨迹或假设无障碍环境，限制了实际应用。本文提出了一种新颖的端到端（E2E）自动驾驶方法，同时解决过度转向控制和碰撞 avoidance 问题。现有的E2E技术，包括模仿学习（IL）、强化学习（RL）和混合学习（HL），通常需要近最优的演示或大量经验。然而，即使是经验丰富的人类驾驶员在过度转向下也难以提供完美演示，且高转换方差阻碍了足够数据的积累。因此，我们提出了一种新的HL算法Q-Compared Soft Actor-Critic（QC-SAC），能够有效学习不成熟的演示数据并快速适应新条件。为评估QC-SAC，我们引入了一个受真实驾驶员培训启发的基准：车辆在湿滑路面上遭遇突然过度转向，必须避开前方随机放置的障碍物。实验结果表明，QC-SAC实现了近最优驾驶策略，显著优于现有的IL、RL和HL基线。与物理转向硬件结合的硬件在环仿真（HILS）验证进一步表明，QC-SAC能够在纯软件仿真之外运行，为实际车辆部署提供了中间验证步骤。据我们所知，这是首次实现车辆在过度转向时安全自主控制的同时避免障碍物的工作。

Keyword:

Autonomous driving

oversteer

collision avoidance

imitation learning

reinforcement learning

Learning-Based Autonomous Oversteer Control and Collision Avoidance

摘要

期刊

机构

引用论文