Nov, 2020

利用潜在状态推断和时空关系实现自主驾驶的强化学习

PDF
TL;DR本文介绍了利用深度强化学习和图神经网络，结合编码潜在状态和空间 - 时间关系的方法解决自动驾驶场景下规避横穿车辆的难点，实现了显著性能提升。
deep reinforcement learningautonomous drivinglatent statespatial-temporal relationshipsgraph neural networks
发现论文，激发创造
  • 交互式自主导航与内部状态推断及交互度估计

    通过引入空间 - 时间相关推理等辅助任务，将深度强化学习框架与神经网络结合，以提高智能代理（如自动驾驶车辆）在复杂场景中的决策性能和可解释性。首次通过推理和预测他人行为，确定他们对自身行为的影响程度，提供了详尽的中间指标用于决策制定。

    Nov, 2023

  • 具有潜在深度强化学习的可解释端到端城市自主驾驶

    该研究提出了一种解决复杂城市场景下的自动驾驶问题的可解释性深度强化学习方法，在学习过程中引入了序贯潜在环境模型，并生成了语义鸟瞰遮罩，以解释学习策略的行为。实验结果显示，该方法在城市场景中的表现优于 DQN、DDPG、TD3 和 SAC 等基线模型。

    Jan, 2020

  • 使用逆强化学习和深度 Q 网络进行驾驶学习

    提出一种使用深度 Q 网络进行逆向强化学习 (IRL) 来提取大状态空间问题中奖励的方法，并在基于模拟的自主驾驶场景中评估其性能。结果表明，经过几次学习后，模拟代理能够生成无碰撞的运动，并表现出人类般的变道行为。

    Dec, 2016

  • 城市自主驾驶的无模型深度强化学习

    本文提出了一个在复杂城市自主驾驶场景下使用无模型深度强化学习的框架，并在高清晰度驾驶模拟器中进行了验证。结果表明，与基线相比，我们的方法可以很好地解决任务，且表现显著优异。

    Apr, 2019

  • 安全导航：在 CARLA 中使用深度强化学习进行自主车辆训练

    自主驾驶汽车使用深度强化学习技术在不确定环境中进行决策，通过使用 CARLA 模拟器在真实城市环境中训练和测试自动驾驶模型，实现了准确的对象识别和距离估计以及有效的交通导航。

    Oct, 2023

  • 自主 Formula SAE 车辆的局部路径跟踪的深度强化学习

    使用深度强化学习（DRL）和逆强化学习（IRL）将局部观察到的锥体位置映射到期望的转向角度以进行赛道跟踪。两种先进算法，软演员批评（SAC）和对抗逆强化学习（AIRL），在代表性模拟中训练模型。在仿真和现实世界中进行的测试表明，这两种算法都可以成功训练用于局部路径跟踪的模型。提出了未来工作的建议，以使这些模型能够适用于完整的 Formula:SAE 车辆。

    Jan, 2024

  • 自主驾驶的深度强化学习框架

    研究利用深度强化学习提出了一个用于自动驾驶的框架，其中包含了包含循环神经网络的信息集成和关注模型用于减少嵌入式硬件的计算复杂度，并在 TORCS 仿真器中验证了其自主操纵能力

    Apr, 2017

  • 驾驶员行为模仿的同时策略学习和潜在状态推断

    本研究提出了一种基于学习驾驶员模型的方法，该模型能够考虑不能直接观测到的变量，并学习区分四类不同驾驶员行为的编码。通过该方法，得到的驾驶策略在模拟真实驾驶行为方面比基准方法更为有效，并且策略选择的行为明显受到所提供的潜变量设置的影响。

    Apr, 2017

  • 基于深度强化学习的 CARLA 模拟自动驾驶

    本论文基于强化学习（RL）与 Deep Q-Learning 框架以及 CARLA 仿真环境，探索了一种实现自动驾驶车辆在高速行驶时保持车道并避让其他车辆的策略，以提高交通安全性。

    Jun, 2023

  • 自主驾驶的深度强化学习：一份综述

    本文综述了深度强化学习算法在自动驾驶任务上的应用，包括分类、验证、测试和强化现有强化学习算法解决方案的方法，还介绍了相关领域和挑战。

    Feb, 2020