自动驾驶赛车：深度强化学习的应用
人工智能
2024-10-31 v1
摘要
本文探讨了深度强化学习（RL）技术在自动驾驶赛车领域的应用。受AI驱动的移动性和自主赛车赛事兴起的启发，该项目旨在开发一个AI代理，在OpenAI Gymnasium CarRacing环境中高效地驾驶模拟赛车。我们研究了各种RL算法，包括深度Q网络（DQN）、近端策略优化（PPO），以及结合迁移学习和循环神经网络（RNN）的新颖改进。该项目表明，虽然DQN为策略学习提供了强大的基线，但集成ResNet和LSTM模型显著提升了代理捕捉复杂空间和时间动态的能力。PPO在连续动作空间中表现出了良好的细粒度控制前景，尽管诸如策略崩溃等挑战仍然存在。我们比较了这些方法的性能，并概述了未来研究方向，重点关注提高计算效率和解决模型稳定性问题。我们的发现为自主驾驶和相关控制任务中AI系统的持续发展做出了贡献。
引用
@article{arxiv.2410.22766,
title = {Self-Driving Car Racing: Application of Deep Reinforcement Learning},
author = {Florentiana Yuwono and Gan Pang Yen and Jason Christopher},
journal= {arXiv preprint arXiv:2410.22766},
year = {2024}
}