面向自动驾驶车辆高速公路决策的深度强化学习方法的对比分析
人工智能
2023-10-10 v2 机器学习
摘要
深度强化学习（DRL）已成为解决人工智能挑战的普遍而有效的方法。凭借其自主学习和自我提升的巨大潜力，DRL在各研究领域中得到广泛应用。本文针对自动驾驶车辆在高速公路上所面临的决策挑战，对若干DRL方法进行了全面比较。这些技术包括常见深度Q学习（DQL）、双重深度Q学习（DDQL）、对决深度Q学习以及优先回放深度Q学习。首先介绍强化学习（RL）框架，随后从数学上建立上述DRL方法的实现形式。接着，构建自动驾驶车辆的高速公路行驶场景，将决策问题重新表述为控制优化挑战。最后，通过一系列仿真实验评估这些基于DRL的决策策略的控制性能，并以此得出对比分析，旨在阐明自动驾驶结果与这些DRL技术固有学习特性之间的联系。
引用
@article{arxiv.2008.01302,
title = {A Comparative Analysis of Deep Reinforcement Learning-enabled Freeway Decision-making for Automated Vehicles},
author = {Teng Liu and Yuyou Yang and Wenxuan Xiao and Xiaolin Tang and Mingzhu Yin},
journal= {arXiv preprint arXiv:2008.01302},
year = {2023}
}
备注
12 pages, 10 figures