面向联合雷达-数据通信自动驾驶车辆的可迁移深度强化学习框架
机器学习
2022-06-14 v2 机器人学
摘要
自动驾驶车辆（AVs）需在动态环境中安全高效运行。为此，配备联合雷达-通信（JRC）功能的 AVs 可同时利用雷达探测与数据通信功能来提升驾驶安全性。然而，在周边环境的不确定性与动态性下优化具有两种不同功能的 AV 系统性能极具挑战。本工作中，我们首先提出一种基于马尔可夫决策过程（MDP）的智能优化框架，以帮助 AV 在周边环境动态且不确定时选择 JRC 操作功能方面做出最优决策。随后，我们开发了利用深度强化学习技术最新进展的有效学习算法，以在无需任何周边环境先验信息的情况下为 AV 找到最优策略。此外，为使所提框架更具可扩展性，我们开发了迁移学习（TL）机制，使 AV 在移至新环境时能利用宝贵经验加速训练过程。大量仿真表明，与其他常规深度强化学习方法相比，所提可迁移深度强化学习框架将 AV 的障碍物漏检概率降低了至多 67%。
引用
@article{arxiv.2105.13670,
title = {Transferable Deep Reinforcement Learning Framework for Autonomous Vehicles with Joint Radar-Data Communications},
author = {Nguyen Quang Hieu and Dinh Thai Hoang and Dusit Niyato and Ping Wang and Dong In Kim and Chau Yuen},
journal= {arXiv preprint arXiv:2105.13670},
year = {2022}
}