WAD：一种用于城市自动驾驶的深度强化学习智能体
人工智能
2021-08-30 v1
摘要
城市自动驾驶是一个开放且具挑战性的问题，因为决策系统必须考虑多种动态因素，如多智能体交互、多样化的场景感知、复杂的道路几何结构以及其他罕见发生的真实世界事件。另一方面，借助深度强化学习（DRL）技术，智能体已学习到许多复杂策略，甚至在各类Atari游戏和Deepmind的AlphaGo中达到了超人水平的表现。然而，当前的DRL技术在复杂城市驾驶场景中泛化性不佳。本文介绍了一种由DRL驱动的Watch and Drive（WAD）智能体，用于端到端城市自动驾驶。受近期进展启发，本研究旨在检测CARLA高维空间中的重要物体/状态并从中提取潜在状态。进一步，将潜在状态信息传递给基于TD3和SAC方法的WAD智能体以学习最优驾驶策略。我们采用更少资源、分步学习不同驾驶任务、硬性回合终止策略以及奖励机制的新颖方法，使我们的智能体在原始CARLA基准的所有驾驶任务上达到100%成功率，并在更复杂的NoCrash基准上创下82%的新纪录，在NoCrash基准上比最先进（SOTA）模型高出逾+30%。
引用
@article{arxiv.2108.12134,
title = {WAD: A Deep Reinforcement Learning Agent for Urban Autonomous Driving},
author = {Arjit Sharma and Sahil Sharma},
journal= {arXiv preprint arXiv:2108.12134},
year = {2021}
}
备注
10 pages, 8 figures, and 4 tables