面向自动驾驶强化学习的动态交互感知场景理解
机器学习
2019-10-01 v1 人工智能
机器人学
机器学习
摘要
自动驾驶系统的常见流程高度模块化，包含一个感知组件，该组件提取周围物体列表并将这些列表传递给高层决策组件。在此情形下，利用深度强化学习进行高层决策需要特殊架构来处理不同类型的多个变长序列（如车辆、车道或交通标志）。同时，该架构必须能够覆盖交通参与者之间的交互，以找到待采取的最优动作。本工作中，我们提出了新颖的 Deep Scenes 架构，其可基于 1) Deep Sets 或 2) 图卷积网络（Graph Convolutional Networks）的扩展来学习复杂的交互感知场景表示。我们给出了 Graph-Q 与 DeepScene-Q 离策略强化学习算法，二者在公开可用的交通模拟器 SUMO 的评估中均优于最先进的方法。
引用
@article{arxiv.1909.13582,
title = {Dynamic Interaction-Aware Scene Understanding for Reinforcement Learning in Autonomous Driving},
author = {Maria Huegle and Gabriel Kalweit and Moritz Werling and Joschka Boedecker},
journal= {arXiv preprint arXiv:1909.13582},
year = {2019}
}