基于深度强化学习的端到端视觉自适应巡航控制（ACC）
计算机视觉与模式识别
2020-01-28 v1 机器学习
机器人学
摘要
本文提出一种称为双深度Q网络（Double Deep Q-networks）的深度强化学习方法，用于设计端到端基于视觉的自适应巡航控制（ACC）系统。在游戏引擎Unity中搭建了高速公路场景的仿真环境，该引擎提供了车辆的物理模型以及用于训练和测试的特征数据。针对内燃机（ICE）车辆和电动车辆（EV），在强化学习模型中实现了与跟车距离和油门/制动力相关的精心设计的奖励函数，以执行自适应巡航控制。针对不同车型评估了车距统计量和总能耗，以探索奖励函数与动力总成特性之间的关系。相比传统基于雷达的ACC系统或人在回路仿真，所提出的基于视觉的ACC系统可根据预设奖励函数生成更优的车距调节轨迹或更平滑的速度轨迹。所提系统能很好地适应前车的不同速度轨迹，并可实时运行。
引用
@article{arxiv.2001.09181,
title = {End-to-End Vision-Based Adaptive Cruise Control (ACC) Using Deep Reinforcement Learning},
author = {Zhensong Wei and Yu Jiang and Xishun Liao and Xuewei Qi and Ziran Wang and Guoyuan Wu and Peng Hao and Matthew Barth},
journal= {arXiv preprint arXiv:2001.09181},
year = {2020}
}
备注
This manuscript was presented at 99th Transportation Research Board Annual Meeting in Washington D.C., Jan 2020