利用深度强化学习应对真实世界自动驾驶
机器人学
2022-07-06 v1 人工智能
摘要
在典型的自动驾驶技术栈中,规划与控制系统是其中最关键的组件之二,传感器获取并经感知算法处理的数据被用于实现安全舒适的自动驾驶行为。具体而言,规划模块预测自动驾驶汽车应跟随的路径以采取正确的高层操纵,而控制系统执行一系列低层动作,控制转向角、油门与制动。在本工作中,我们提出一种无模型深度强化学习规划器,训练一个预测加速度与转向角的神经网络,从而获得能够利用自动驾驶汽车上定位与感知算法处理的数据来驾驶车辆的单一模块。特别地,该系统完全在仿真中训练,能够在无障碍物环境的仿真中以及帕尔马市真实世界城市区域中平滑安全地驾驶,证明该系统具有良好的泛化能力,即便在训练场景之外的区域行驶亦然。此外,为在真实自动驾驶汽车上部署该系统并缩小仿真与真实世界性能之间的差距,我们还开发了一个由微小神经网络表示的模块,能够在仿真训练期间复现真实车辆的动态行为。
引用
@article{arxiv.2207.02162,
title = {Tackling Real-World Autonomous Driving using Deep Reinforcement Learning},
author = {Paolo Maramotti and Alessandro Paolo Capasso and Giulio Bacchiani and Alberto Broggi},
journal= {arXiv preprint arXiv:2207.02162},
year = {2022}
}
备注
Oral Presentation at Intelligent Vehicles Symposium 2022