基于多目标深度强化学习的城市驾驶
机器学习
2019-02-28 v2 人工智能
机器人学
摘要
自动驾驶是一个具有多方面挑战的领域：车辆应能以尽可能快的速度驶向目的地，同时避免碰撞、遵守交通规则并确保乘客舒适。本文中，我们提出一种阈值词典式 Q-learning 的深度学习变体，用于城市驾驶任务。我们的多目标 DQN 智能体学习在多车道道路与交叉口上驾驶，并根据交通规则进行让行与变道。我们还提出一种针对分解式马尔可夫决策过程到 DQN 架构的扩展，为 Q 函数提供辅助特征。这被证明能显著提升数据效率。随后我们展示所学策略能够零样本迁移到环形道路而不牺牲性能。
引用
@article{arxiv.1811.08586,
title = {Urban Driving with Multi-Objective Deep Reinforcement Learning},
author = {Changjian Li and Krzysztof Czarnecki},
journal= {arXiv preprint arXiv:1811.08586},
year = {2019}
}
备注
Accepted at AAMAS 2019