基于深度模仿强化学习的视觉自主赛车
机器人学
2021-07-20 v1 人工智能
系统与控制
系统与控制
摘要
自主赛车是机器人控制领域的一项挑战性任务。传统的模块化方法需要精确的建图、定位与规划，导致计算效率低且对环境变化敏感。近年来，基于深度学习的端到端系统在自动驾驶/赛车中展现出有前景的结果。然而，它们通常通过监督模仿学习（IL）实现，存在分布失配问题，或通过强化学习（RL）实现，需要大量高风险交互数据。在本工作中，我们提出一种通用的深度模仿强化学习方法（DIRL），利用视觉输入成功实现敏捷自主赛车。驾驶知识从IL和基于模型的RL中习得，其中智能体可向人类教师学习，并通过对离线世界模型的安全交互进行自我改进。我们在高保真驾驶仿真和具有有限车载算力的真实1/20比例RC赛车上验证了我们的算法。评估结果表明，我们的方法在样本效率和任务性能方面优于以往的IL和RL方法。演示视频见 https://caipeide.github.io/autorace-dirl/
引用
@article{arxiv.2107.08325,
title = {Vision-Based Autonomous Car Racing Using Deep Imitative Reinforcement Learning},
author = {Peide Cai and Hengli Wang and Huaiyang Huang and Yuxuan Liu and Ming Liu},
journal= {arXiv preprint arXiv:2107.08325},
year = {2021}
}
备注
8 pages, 8 figures. IEEE Robotics and Automation Letters (RA-L) & IROS 2021