基于潜在深度强化学习的可解释端到端城市自动驾驶
机器人学
2020-07-08 v3 计算机视觉与模式识别
机器学习
摘要
与流行的模块化框架不同，端到端自动驾驶寻求以集成方式解决感知、决策与控制问题，从而能更好地适应新场景并更易大规模泛化。然而，现有端到端方法往往缺乏可解释性，且只能处理车道保持等简单驾驶任务。本文提出一种用于端到端自动驾驶的可解释深度强化学习方法，能够处理复杂的城市场景。我们引入一个序列潜在环境模型，并与强化学习过程联合学习。借助该潜在模型，可生成语义鸟瞰掩码，并强制其与当今模块化框架中的某一中间属性相连，以解释所学策略的行为。该潜在空间还显著降低了强化学习的样本复杂度。在CARLA中使用仿真自动驾驶汽车的对比测试表明，在周围车辆拥挤的城市场景中，我们的方法性能优于包括DQN、DDPG、TD3和SAC在内的许多基线。此外，通过掩码输出，所学策略能够更好地解释车辆如何对驾驶环境进行推理。本工作的代码与视频可在我们的github仓库和项目网站获取。
引用
@article{arxiv.2001.08726,
title = {Interpretable End-to-end Urban Autonomous Driving with Latent Deep Reinforcement Learning},
author = {Jianyu Chen and Shengbo Eben Li and Masayoshi Tomizuka},
journal= {arXiv preprint arXiv:2001.08726},
year = {2020}
}