面向车道保持辅助的端到端深度强化学习
机器学习
2016-12-14 v1 机器学习
机器人学
摘要
强化学习被认为是一种强大的 AI 范式，可用于通过与环境的交互并从错误中学习来教导机器，但尚未成功应用于汽车领域。然而，受深度学习算法能够学习环境良好表征的能力所驱动，该主题近期重新引起了人们的兴趣。在 Google DeepMind 成功演示从 Breakout 到围棋的游戏学习之后，我们受此启发，将提出使用深度强化学习进行自动驾驶的不同方法。这尤其令人感兴趣，因为自动驾驶很难被定义为一个监督学习问题，它与包括其他车辆、行人和道路工程在内的环境有着强烈的交互。由于这是自动驾驶研究中一个相对较新的领域，我们将制定两大类算法：1）离散动作类别，以及 2）连续动作类别。对于离散动作类别，我们将处理深度 Q 网络算法（DQN），而对于连续动作类别，我们将处理深度确定性演员-评论家算法（DDAC）。此外，我们还将在一个名为 TORCS（The Open Racing car Simulator）的开源赛车模拟器上探究这两类算法的性能。我们的仿真结果展示了在复杂道路曲率和与其他车辆简单交互场景下的自主机动学习。最后，我们解释了在学习阶段对汽车施加的某些限制条件对完成其学习阶段的收敛时间的影响。
引用
@article{arxiv.1612.04340,
title = {End-to-End Deep Reinforcement Learning for Lane Keeping Assist},
author = {Ahmad El Sallab and Mohammed Abdou and Etienne Perot and Senthil Yogamani},
journal= {arXiv preprint arXiv:1612.04340},
year = {2016}
}
备注
Presented at the Machine Learning for Intelligent Transportation Systems Workshop, NIPS 2016