使用逆向强化学习和深度 Q 网络学习驾驶
人工智能
2017-09-22 v2 机器人学
摘要
我们提出了一种使用深度 Q 网络（Deep Q-Networks）的逆向强化学习（IRL）方法，用于在具有大状态空间的问题中提取奖励。我们在基于仿真的自动驾驶场景中评估了该方法的性能。我们的结果反映了奖励函数与安装在汽车不同位置上的距离传感器读数之间的直观关系。我们还表明，经过几轮学习后，我们的仿真智能体能够生成无碰撞运动，并表现出类似人类的变道行为。
引用
@article{arxiv.1612.03653,
title = {Learning to Drive using Inverse Reinforcement Learning and Deep Q-Networks},
author = {Sahand Sharifzadeh and Ioannis Chiotellis and Rudolph Triebel and Daniel Cremers},
journal= {arXiv preprint arXiv:1612.03653},
year = {2017}
}
备注
NIPS workshop on Deep Learning for Action and Interaction, 2016