基于深度强化学习的自主 Formula SAE 赛车局部路径跟踪
机器人学
2024-01-08 v1 机器学习
摘要
随着世界各地 Formula: Society of Automotive Engineers (F:SAE) 比赛持续引入无人驾驶项目，各车队正在研究自动驾驶栈的各个方面。本文介绍了利用深度强化学习 (DRL) 和逆强化学习 (IRL) 将局部观测到的锥桶位置映射到期望转向角，以实现赛道跟随。我们使用了两种此前未在此背景下测试过的最先进算法：软演员 - 评论家 (SAC) 和对抗性逆强化学习 (AIRL)，在代表性仿真中训练模型。此外，还讨论了三种用于自动驾驶赛车场景中 RL 算法的新型奖励函数。在仿真和现实世界中进行的测试表明，这两种算法均能成功训练出用于局部路径跟踪的模型。文章还提出了未来工作建议，以使这些模型能够扩展至完整的 F:SAE 车辆。
引用
@article{arxiv.2401.02903,
title = {Deep Reinforcement Learning for Local Path Following of an Autonomous Formula SAE Vehicle},
author = {Harvey Merton and Thomas Delamore and Karl Stol and Henry Williams},
journal= {arXiv preprint arXiv:2401.02903},
year = {2024}
}
备注
As presented at the Australasian Conference on Robotics and Automation (ACRA 2023)