基于强化学习与视觉的 imminent 碰撞缓解
机器学习
2019-01-07 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
本工作考察了在接触 imminent 的情况下，通过控制速度与转向来降低道路碰撞严重程度的强化学习作用。我们构建了一个以相机图像为输入的模型，能够学习并预测障碍物、车辆与行人的动力学，并使用该模型训练我们的策略。将控制制动与转向的两种策略，与仅采取（常规）直线制动这一基线进行比较。两种策略使用两种不同的奖励结构训练：一种对任何及所有碰撞施加固定惩罚，另一种基于已建立的损伤严重度 delta-v 模型计算惩罚。结果显示两种策略均超越基线性能，其中使用损伤模型训练的策路性能最高。
引用
@article{arxiv.1901.00898,
title = {Imminent Collision Mitigation with Reinforcement Learning and Vision},
author = {Horia Porav and Paul Newman},
journal= {arXiv preprint arXiv:1901.00898},
year = {2019}
}
备注
Presented at ITSC2018