Q-Learning 与增强拓扑神经进化用于自动驾驶智能体的比较研究
机器学习
2022-09-20 v1 人工智能
神经与进化计算
机器人学
摘要
自各类任务自动化开始以来，自动驾驶车辆一直备受关注。人类在道路上容易疲劳且反应速度慢，此外驾驶本身已是相当危险的任务，每年约有135万道路交通死亡事故。人们期望自动驾驶能够减少全球范围内的驾驶事故数量，这正是该问题受到研究人员密切关注的原因。目前，自动驾驶车辆针对使车辆自主化的各类子问题使用不同算法。我们将聚焦于强化学习算法，更具体地说是 Q-learning 算法与增强拓扑神经进化（NEAT，NeuroEvolution of Augmenting Topologies，一种进化算法与人工神经网络的结合），以训练一个模型智能体学习如何在给定路径上驾驶。本文将着重对上述两种算法进行比较。
引用
@article{arxiv.2209.09007,
title = {Comparative Study of Q-Learning and NeuroEvolution of Augmenting Topologies for Self Driving Agents},
author = {Arhum Ishtiaq and Maheen Anees and Sara Mahmood and Neha Jafry},
journal= {arXiv preprint arXiv:2209.09007},
year = {2022}
}