基于对抗强化学习的自动驾驶控制鲁棒性与安全性提升
机器学习
2019-03-12 v1 机器人学
机器学习
摘要
为提高自动驾驶车辆的效率并减少故障，研究聚焦于开发考虑环境扰动的鲁棒且安全的学习方法。鲁棒强化学习现有文献将学习问题表述为自治系统与扰动之间的二人博弈。本文考察了两种不同的算法来解决该博弈，即鲁棒对抗强化学习（Robust Adversarial Reinforcement Learning）和神经虚拟自博弈（Neural Fictitious Self Play），并在自动驾驶场景中比较性能。我们将博弈表述扩展为半竞争设定，并证明由此产生的对抗者能更好地捕捉有意义的扰动，从而带来更好的整体性能。与传统强化学习方法产生的基线控制策略相比，所得的鲁棒策略展现出改进的驾驶效率，同时有效降低了碰撞率。
引用
@article{arxiv.1903.03642,
title = {Improved Robustness and Safety for Autonomous Vehicle Control with Adversarial Reinforcement Learning},
author = {Xiaobai Ma and Katherine Driggs-Campbell and Mykel J. Kochenderfer},
journal= {arXiv preprint arXiv:1903.03642},
year = {2019}
}
备注
intelligent vehicles symposium 2018