基于深度强化学习训练的自动驾驶缩比车
机器学习
2019-12-05 v3 人工智能
系统与控制
系统与控制
摘要
基于深度强化学习的自动驾驶作为人工智能最重要的应用之一,已成为热门话题。当前大多数自动驾驶方法聚焦于如何从原始感知数据直接学习端到端的自动驾驶控制策略。本质上,该控制策略可视为图像与驾驶行为之间的映射,通常面临泛化能力低的问题。为提升驾驶行为的泛化能力,强化学习方法需要来自真实环境的外在奖励,这可能损坏车辆。为在安全前提下获得良好泛化能力,我们利用 Unity 设计了一个可构建不同驾驶场景的虚拟仿真环境。在该虚拟仿真环境中建立并分析理论模型,并使用 double Deep Q-network 进行训练。随后,训练好的模型迁移至真实世界中的缩比车。此过程亦称 sim2real 方法。该 sim2real 训练方法有效处理了上述两个问题。通过仿真与实验评估了所提算法的性能与有效性。最终,证实真实世界中的缩比车获得了自动驾驶能力。
引用
@article{arxiv.1909.03467,
title = {Self-driving scale car trained by Deep reinforcement learning},
author = {Qi Zhang and Tao Du and Changzheng Tian},
journal= {arXiv preprint arXiv:1909.03467},
year = {2019}
}