深度强化学习用于自动驾驶的综述
机器人学
2023-02-14 v1
摘要
自深度神经网络复兴以来，强化学习已在许多传统游戏中逐渐增强并超越人类。然而，将这些成就复制到自动驾驶并不容易，因为现实世界中的状态空间极为复杂，且动作空间是连续的，需要精细控制。此外，自动驾驶系统还必须无论环境复杂性如何都保持其功能性。深度强化学习领域（DRL）已成为一个鲁棒的学习框架，可通过深度表征学习处理高维环境中的复杂策略。本研究概述了深度强化学习算法（DRL）。它给出了一个自动驾驶的命名体系，其中已使用 DRL 技术，从而讨论在真实环境中评估自动驾驶智能体的重要计算问题。此外，它涉及类似但非标准的 RL 技术，以及相邻领域如动作仿真、模仿建模、逆强化学习。文中论述了仿真器在训练智能体中的作用，以及验证、检验现有 RL 解决方案鲁棒性的方法。
引用
@article{arxiv.2302.06370,
title = {Review of Deep Reinforcement Learning for Autonomous Driving},
author = {B. Udugama},
journal= {arXiv preprint arXiv:2302.06370},
year = {2023}
}
备注
Review on deep Reinforcement learning; not published and shared with the community