CuRLA: 基于课程学习的深度强化学习自动驾驶
机器人学
2025-01-10 v1 人工智能
机器学习
摘要
在自动驾驶中，传统的计算机视觉(CV)智能体由于训练数据的偏差，常常在陌生情境中表现不佳。深度强化学习(DRL)智能体通过从经验中学习并最大化奖励来解决这一问题，这有助于它们适应动态环境。然而，确保其泛化能力仍然具有挑战性，尤其是在静态训练环境中。此外，DRL模型缺乏透明度，难以保证在所有场景（尤其是训练中未见的场景）中的安全性。为了解决这些问题，我们提出了一种将DRL与课程学习相结合的方法用于自动驾驶。我们的方法使用近端策略优化(PPO)智能体和变分自编码器(VAE)在CARLA模拟器中学习安全驾驶。智能体通过两阶段课程学习进行训练，逐步增加环境难度，并在奖励函数中加入碰撞惩罚以促进安全性。该方法提高了智能体在复杂环境中的适应性和可靠性，并理解了在单个标量奖励函数中平衡来自不同反馈信号的多个奖励成分的细微差别。关键词：计算机视觉，深度强化学习，变分自编码器，近端策略优化，课程学习，自动驾驶。
引用
@article{arxiv.2501.04982,
title = {CuRLA: Curriculum Learning Based Deep Reinforcement Learning for Autonomous Driving},
author = {Bhargava Uppuluri and Anjel Patel and Neil Mehta and Sridhar Kamath and Pratyush Chakraborty},
journal= {arXiv preprint arXiv:2501.04982},
year = {2025}
}
备注
To be published in the 17th International Conference on Agents and Artificial Intelligence (ICAART), Feb 2025