面向自动驾驶的深度强化学习
计算机视觉与模式识别
2019-05-21 v3 机器学习
机器人学
摘要
自深度神经网络复兴以来，强化学习稳步提升并在大量传统游戏中超越人类。然而，这些成功不易复制到自动驾驶，因为真实世界的状态空间极度复杂，动作空间连续且需要精细控制。此外，自动驾驶车辆还必须在复杂环境下保持功能安全。为应对这些挑战，我们首先采用深度确定性策略梯度（DDPG）算法，该算法具备处理连续域中复杂状态与动作空间的能力。随后我们选择开放赛车模拟器（TORCS）作为环境以避免物理损伤。同时，我们从 TORCS 中选取一组合适的传感器信息并设计我们自己的奖励函数。为使 DDPG 算法适配 TORCS，我们在 DDPG 范式内为 actor 与 critic 设计网络架构。为证明模型有效性，我们在 TORCS 不同模式下评估并给出定量与定性结果。
引用
@article{arxiv.1811.11329,
title = {Deep Reinforcement Learning for Autonomous Driving},
author = {Sen Wang and Daoyuan Jia and Xinshuo Weng},
journal= {arXiv preprint arXiv:1811.11329},
year = {2019}
}
备注
no time for further improvement