在模拟和真实的路口传递自动驾驶知识

ICMLNov, 2017

在模拟和真实的路口传递自动驾驶知识

Transferring Autonomous Driving Knowledge on Simulated and Real Intersections

David Isele, Akansel Cosgun

TL;DR本文探讨了自主车辆交叉路口处理的强化学习问题，并研究了其在转移学习情况下的行为。研究发现，对于不同的路口，同一种训练网络通常无法推广。然而，一个在一个十字路口上训练过，并在另一个路口上微调过的网络，相较于孤立训练，能更好地进行新任务。此外，本文还论证了对于将模拟交叉口处理知识从计算机模拟环境传递到实际自主车辆时，微调的好处。

Abstract

We view intersection handling on autonomous vehicles as a reinforcement learning problem, and study its behavior in a transfer learning se

autonomous vehicles reinforcement learning transfer learning intersection handling simulated intersection handling

发现论文，激发创造

路口转移型行人运动预测模型

研究自动驾驶汽车在交叉口附近准确预测行人运动的能力，提出了基于逆强化学习的可转移行人运动预测算法，并且通过实验表明，该算法在传输任务中的精度提高了 16%。

Mar, 2018

自主车辆交叉路口导航的深度强化学习

研究该论文中，通过使用基于 Twin Delayed Deep Deterministic Policy Gradient (TD3) 强化学习算法的低成本单一智能体方法，提出了有效解决自动驾驶车辆在复杂 T 字路口中的导航问题，并证明了该方法在 CARLA 模拟平台中表现出稳定、安全且具有改进性能的结果，通过减少旅行延误、碰撞最小化和降低整体成本等方面的优势，在自动驾驶应用中为强化学习提供了有价值的知识，并突出体现了采用单一智能体、低成本方法在解决复杂驾驶场景和进一步推进强化学习算法方面的潜力。

Sep, 2023

用于自主驾驶的联邦迁移强化学习

使用联邦学习的方法，将基于模拟器的强化学习模型实现动态的知识提取和共享，促进自动驾驶和机器人应用中的知识共享，进而在实时碰撞避免任务中实现更好的表现。

Oct, 2019

使用深度强化学习，自主驾驶车辆在遮挡路口中的导航

本文探索利用深度强化学习解决路口问题，发现采用深度 RL 学习的决策比基础启发式方法更高效，并能有效应对实时不能避让的情况，并探讨其在感知行为方面的应用及未来研究方向。

May, 2017

从模拟中学习驾驶技能，无需真实世界标签

该论文研究基于模拟的无人驾驶视觉导航系统，探讨了如何通过图像转换实现域间转换并在农村和城市道路上对自闭车的驾驶性能进行评估。

Dec, 2018

基于运动变压器的轨迹预测的迁移学习研究

基于变压器模型的模拟研究进行了转移学习技术的研究，旨在为在现实世界中实现有效的转移提供性能与计算时间之间可能的权衡的见解。