通过强大的PAIN（物理对抗智能网络）迈向更安全的自动驾驶
机器学习
2023-07-27 v1 多智能体系统
系统与控制
系统与控制
机器学习
摘要
自动驾驶车辆的神经网络由于可用数据有限，存在过拟合、泛化能力差以及未训练的极端情况等问题。研究人员合成随机的极端情况场景以辅助训练过程，尽管仿真会引入对潜在规则与特征过拟合的可能。自动化最坏情况场景生成或可产出有助于改进自动驾驶的信息性数据。为此，我们引入一种“物理对抗智能网络”（PAIN），其中自动驾驶车辆在CARLA仿真环境中进行对抗性交互。我们使用带优先经验回放的决斗双重深度Q网络（DDDQN）训练一个主角智能体和一个对抗智能体。这两个耦合网络交替地寻求碰撞与避免碰撞，从而使得“防御性”避撞算法在非对抗运行条件下提高了平均失效时间与行驶距离。与无对抗训练得到的智能体相比，训练后的主角对不确定性环境更具韧性，且更不易因极端情况失效而导致碰撞。
引用
@article{arxiv.2003.10662,
title = {Towards Safer Self-Driving Through Great PAIN (Physically Adversarial Intelligent Networks)},
author = {Piyush Gupta and Demetris Coleman and Joshua E. Siegel},
journal= {arXiv preprint arXiv:2003.10662},
year = {2023}
}