基于隐式可供性实现城市驾驶端到端无模型强化学习
机器学习
2020-03-17 v2 人工智能
计算机视觉与模式识别
机器人学
机器学习
摘要
强化学习（RL）旨在从其自身实验中学习最优行为策略，而非基于规则的控制方法。然而，目前尚无任何 RL 算法能够处理如城市驾驶这般困难的任务。我们提出了一种称为隐式可供性（implicit affordances）的新技术，以有效利用 RL 进行城市驾驶，从而涵盖车道保持、行人与车辆避让以及交通灯检测。据我们所知，我们是首个提出成功处理如此复杂任务（尤其在交通灯检测方面）的 RL 智能体的。此外，我们通过在 CARLA 挑战赛的仅摄像头赛道中获胜，证明了我们方法的有效性。
引用
@article{arxiv.1911.10868,
title = {End-to-End Model-Free Reinforcement Learning for Urban Driving using Implicit Affordances},
author = {Marin Toromanoff and Emilie Wirbel and Fabien Moutarde},
journal= {arXiv preprint arXiv:1911.10868},
year = {2020}
}
备注
Accepted at main conference of CVPR 2020