面向端到端驾驶的目标准约束稀疏强化学习
机器人学
2021-08-03 v2 人工智能
计算机视觉与模式识别
摘要
用于端到端驾驶的深度强化学习受限于复杂奖励工程的需求。稀疏奖励可规避此挑战，但存在训练时间长且导致次优策略的问题。本工作中，我们探索仅使用目标准约束稀疏奖励的全控制驾驶，并提出一种用于端到端驾驶的课程学习方法，仅使用导航视图地图，受益于较小的虚拟到真实域差距。为解决多驾驶策略的复杂性，我们学习并发的个别策略，在推理时由导航系统选择。我们展示了我们的方案在未见道路布局上的泛化能力，以及驾驶距离显著长于训练时。
引用
@article{arxiv.2103.09189,
title = {Goal-constrained Sparse Reinforcement Learning for End-to-End Driving},
author = {Pranav Agarwal and Pierre de Beaucorps and Raoul de Charette},
journal= {arXiv preprint arXiv:2103.09189},
year = {2021}
}
备注
Conference submission 6 pages, 8 figures