基于迁移学习的资源受限边缘节点深度强化学习自主导航
机器学习
2019-10-15 v1 机器学习
摘要
智能敏捷的无人机正迅速在云边缘变得无处不在。这些无人机的使用受限于其有限的功耗与计算能力。本文提出一种基于迁移学习（TL）的方法，以降低通过深度强化学习训练深度神经网络实现目标算法性能所需的机载计算量。利用 Unreal 游戏引擎手动设计了一个包含三维逼真元环境的库，并对网络进行端到端训练。这些训练得到的元权重随后用作测试环境中网络的初始化，并对最后几层全连接层进行微调。通过改变无人机动力学与环境特性以展示该方法的鲁棒性。使用 NVIDIA GPU 分析器表明，在平均坠毁前飞行距离（即平均安全飞行距离，MSF）这一性能无显著退化的情况下，能耗与训练延迟分别降低了 3.7 倍和 1.8 倍。该方法还在使用 DJI Tello 无人机的真实环境中进行了测试，并报告了类似结果。
引用
@article{arxiv.1910.05547,
title = {Autonomous Navigation via Deep Reinforcement Learning for Resource Constraint Edge Nodes using Transfer Learning},
author = {Aqeel Anwar and Arijit Raychowdhury},
journal= {arXiv preprint arXiv:1910.05547},
year = {2019}
}