用于提升多智能体自动驾驶策略鲁棒性的对抗深度强化学习
人工智能
2023-02-22 v3
摘要
自动驾驶汽车众所周知易受对抗攻击,可能危及车辆安全并给其他道路使用者带来危险。为有效防御对手,不仅需要测试自动驾驶汽车以发现驾驶错误,还需提升汽车对这些错误的鲁棒性。为此,本文提出一种自动驾驶汽车的两步方法论,包括(i)通过训练对抗驾驶智能体发现自动驾驶汽车中的失效状态,以及(ii)通过使用有效对抗输入重新训练来提升自动驾驶汽车的鲁棒性。我们的方法论支持在多智能体环境中测试自动驾驶汽车,我们在两种自定义奖励函数上训练并比较对抗车辆策略以测试自动驾驶汽车的驾驶控制决策。我们在基于视觉的高保真城市驾驶仿真环境中运行实验。结果表明,对抗测试可用于发现错误的自动驾驶行为,随后通过对抗训练提升基于深度强化学习的自动驾驶策略的鲁棒性。我们证明,使用有效对抗输入重新训练的自动驾驶汽车在减少碰撞和偏离道路转向错误方面显著提升了其驾驶策略性能。
引用
@article{arxiv.2112.11937,
title = {Adversarial Deep Reinforcement Learning for Improving the Robustness of Multi-agent Autonomous Driving Policies},
author = {Aizaz Sharif and Dusica Marijan},
journal= {arXiv preprint arXiv:2112.11937},
year = {2023}
}