面向自动驾驶高效Sim2Real迁移的与平台无关的深度学习强化框架
机器学习
2024-10-22 v3 人工智能
机器人学
摘要
深度强化学习（DRL）在解决多个研究领域的复杂任务中已展现出显著成功。然而，由于仿真与现实之间的显著差异，将DRL智能体迁移到真实世界仍然具有挑战性。为解决此问题，我们提出了一种鲁棒的DRL框架，其利用平台相关的感知模块提取任务相关信息，并在仿真中训练一个车道保持与超车智能体。该框架以最小代价实现DRL智能体向新仿真环境及真实世界的无缝迁移。我们在仿真与真实世界的多种驾驶场景中评估了该智能体的性能，并在仿真中将其与人类玩家及PID基线进行比较。我们提出的框架显著缩小了不同平台之间以及Sim2Real的差距，使训练后的智能体在仿真与真实世界中均能取得相近性能，有效驾驶车辆。
引用
@article{arxiv.2304.08235,
title = {A Platform-Agnostic Deep Reinforcement Learning Framework for Effective Sim2Real Transfer towards Autonomous Driving},
author = {Dianzhao Li and Ostap Okhrin},
journal= {arXiv preprint arXiv:2304.08235},
year = {2024}
}