基于可供性表示的强化学习用于城市驾驶
机器学习
2021-01-18 v1 人工智能
机器人学
摘要
传统采用模块化方法的自动驾驶流水线在学术界与工业界过去都极为成功，并由此实现了道路上的自动驾驶。尽管该方法便于解释，但其对未知环境的泛化能力有限，且需要对手动设计的众多参数进行调参，尤其在预测与规划系统中。近来，深度强化学习已被证明能够学习复杂的策略性游戏并执行具有挑战性的机器人任务，这为学习驾驶提供了引人注目的框架。在本工作中，我们提出一种深度强化学习框架，利用路径点与低维视觉表示（即可供性(affordances)）学习最优控制策略。我们证明，我们的智能体从零开始训练即可学习车道跟随、路口绕行以及在密集交通场景下于其他交通参与者或红绿灯前停车等任务。我们注意到，我们的方法在 CARLA 模拟器的原始与 NoCrash 基准上取得了与基线方法相当或更优的性能。
引用
@article{arxiv.2101.05970,
title = {Affordance-based Reinforcement Learning for Urban Driving},
author = {Tanmay Agarwal and Hitesh Arora and Jeff Schneider},
journal= {arXiv preprint arXiv:2101.05970},
year = {2021}
}