应用于端到端车辆控制的仿真到现实强化学习
机器学习
2020-12-15 v1 机器人学
摘要
在这项工作中，我们研究基于视觉的端到端强化学习在车辆控制问题上的应用，例如车道跟随与碰撞避免。我们的控制器策略能够控制一个小规模机器人在真实双车道道路的右侧车道行驶，而其训练仅在仿真中完成。我们的模型由简单的卷积网络实现，仅依赖前向单目摄像头图像并生成直接控制车辆的连续动作。为训练该策略，我们使用了近端策略优化（Proximal Policy Optimization），并为获得现实性能所需的泛化能力而使用了域随机化。我们通过测量多种性能指标并与基于其他方法的基线进行比较，对训练后的策略进行了透彻分析。为评估仿真到现实迁移学习过程的质量以及控制器在真实世界中的表现，我们在真实赛道上测量了简单指标并与匹配仿真中的结果进行比较。进一步分析通过可视化显著物体图进行。
引用
@article{arxiv.2012.07461,
title = {Sim-to-real reinforcement learning applied to end-to-end vehicle control},
author = {András Kalapos and Csaba Gór and Róbert Moni and István Harmati},
journal= {arXiv preprint arXiv:2012.07461},
year = {2020}
}
备注
\c{opyright} 2020 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works