不确定性感知的基于模型强化学习及其在自动驾驶中的应用
机器人学
2021-07-06 v2 机器学习
摘要
为了进一步提高强化学习（RL）的学习效率与性能，本文提出一种新颖的不确定性感知基于模型的强化学习（UA-MBRL）框架，并在多种任务场景下的自动驾驶中予以实现与验证。首先，建立具有不确定性评估能力的动作条件集成模型作为虚拟环境模型。然后，基于自适应截断方法开发一种新颖的不确定性感知基于模型的强化学习框架，提供智能体与环境模型之间的虚拟交互，并提升 RL 的训练效率与性能。所开发的算法随后在端到端自动驾驶车辆控制任务中实现，并在多种驾驶场景下与最先进的方法进行验证和比较。验证结果表明，所提 UA-MBRL 方法在学习效率和所达性能方面均超越了现有的基于模型和无模型 RL 方法。结果还证明了所提方法在各种自动驾驶场景下具有良好的自适应性与鲁棒性。
引用
@article{arxiv.2106.12194,
title = {Uncertainty-Aware Model-Based Reinforcement Learning with Application to Autonomous Driving},
author = {Jingda Wu and Zhiyu Huang and Chen Lv},
journal= {arXiv preprint arXiv:2106.12194},
year = {2021}
}