基于最大熵深度逆强化学习的城市感知安全性评估
机器学习
2022-11-29 v2 人工智能
摘要
受城市感知专家评估策略的启发，我们提出了一种基于逆强化学习（IRL）的新框架，用于预测城市安全性并恢复相应的奖励函数。我们还提出了一种可扩展的状态表示方法，将预测问题建模为马尔可夫决策过程（MDP）并利用强化学习（RL）求解。此外，我们基于众包方法构建了一个名为SmallCity的数据集以开展研究。据我们所知，这是首次将IRL方法引入城市安全感知与规划领域，以帮助专家定量分析了感知特征。我们的结果表明IRL在该领域具有广阔前景。我们稍后将开源本文提出的众包数据收集站点与模型。
引用
@article{arxiv.2211.10660,
title = {Evaluating the Perceived Safety of Urban City via Maximum Entropy Deep Inverse Reinforcement Learning},
author = {Yaxuan Wang and Zhixin Zeng and Qijun Zhao},
journal= {arXiv preprint arXiv:2211.10660},
year = {2022}
}
备注
ACML2022 Camera-ready Version