基于深度强化学习的真实驾驶环境离散控制
人工智能
2022-12-01 v2 机器人学
摘要
训练自动驾驶汽车通常具有挑战性，因为它们在多种真实世界情境下需要大量标注数据，这在计算和内存上开销巨大。研究者常借助驾驶模拟器训练智能体并将知识迁移至真实环境。由于模拟器缺乏真实行为，这类方法效率颇低。为解决此问题，我们在真实驾驶环境中引入一个框架（感知、规划与控制），通过构建可靠的马尔可夫决策过程（MDP）将真实环境转化为游戏环境。我们提出了多智能体设定下现有强化学习（RL）算法的若干变体，以在真实环境中学习并执行离散控制。实验表明，多智能体设定在所有场景中均优于单智能体设定。我们还提出了可靠的初始化、数据增强与训练技术，使智能体能够以极少的输入视频数据和极少的训练学习并泛化到真实环境中导航。此外，为展示所提算法的有效性，我们将该方法部署于虚拟驾驶环境 TORCS 中。
引用
@article{arxiv.2211.15920,
title = {Discrete Control in Real-World Driving Environments using Deep Reinforcement Learning},
author = {Avinash Amballa and Advaith P. and Pradip Sasmal and Sumohana Channappayya},
journal= {arXiv preprint arXiv:2211.15920},
year = {2022}
}
备注
14 pages