Nov, 2023

城市环境中安全互动自主驾驶的想象增强分层强化学习方法

PDF
TL;DR通过引入想象增强的分层强化学习算法，我们设计了一种新的导航算法，使得智能体能够在真实世界的导航任务中学习安全和交互的行为，提高了成功率并减少了平均步骤的数量。
发现论文，激发创造
  • 城市自主驾驶的动作和轨迹规划：层次强化学习

    本论文提出了一种基于分层强化学习方法的行动和轨迹规划器，有效地解决了城市自动驾驶场景下的多任务多车辆决策问题，并通过在 CARLA 模拟器中进行广泛实验证明了其显著的性能提升。

    Jun, 2023

  • 基于层次逆强化学习的交互式驾驶行为概率预测

    讨论自动驾驶车辆如何通过基于层次逆强化学习的概率预测方法，准确预测周围车辆的行为并进行规划，以此应对人类行为的不确定性和交互作用。

    Sep, 2018

  • 数据效率的分层强化学习

    本文研究如何构建通用且高效的层次强化学习算法，其中较低层的控制器通过自动学习和提出的目标来实现上级控制器的监督，并使用脱离策略的经验来提高效率。我们称此算法为 HIRO，并在模拟机器人上的实验中表现出高性能和高样本效率。

    May, 2018

  • 导航中基于干预支持的强化学习策略优化的安全及实际方法

    本文提出了一种人工干预辅助下的强化学习框架，将深度神经网络应用于无人机自治导航，实现了减少人为干预、性能提升、安全性保障和控制成本可接受的目标。

    Nov, 2018

  • ReProHRL: 多目标导航中的层级代理在真实环境中的应用

    我们提出了一种名为 Ready for Production Hierarchical RL（ReProHRL）的方法，它通过强化学习来划分具有层次结构的多目标导航任务，并使用物体检测器作为预处理步骤来学习多目标导航并将其转移到真实世界中，实证结果表明，所提出的 ReProHRL 方法在模拟和真实环境中的训练时间和性能方面均优于最先进的基线方法。

    Aug, 2023

  • 基于分层模仿学习的城市驾驶可解释运动规划器

    本文介绍了一种分层的模仿学习方法，包括一个高层次基于网格的行为规划器和一个低层次的轨迹规划器来增强神经网络的可靠性和稳定性。该方法可以被嵌入到基于规则的架构中，且在封闭回路仿真和实际驾驶测试中表现卓越，特别适用于复杂的城市自动驾驶场景。

    Mar, 2023

  • 使用移动机器人的交互式导航的分层强化学习

    提出了一种新型的分层强化学习架构 HRL4IN，用于解决包含导航和操作任务的具有异构性的交互式导航任务问题，并且能够提高能源效率。在 2D 网格世界环境和 3D 物理仿真环境中，HRL4IN 相对于平面 PPO 和 HAC 等算法，在任务性能和能源效率方面的表现明显优于其他基线算法。

    Oct, 2019

  • 复杂 3D 环境中的分层强化学习

    使用层次混合离线 - 在线的深度强化学习代理提出了一种解决 HRL 代理在可视复杂部分可观察 3D 环境中的问题的方法，并在 DeepMind Hard Eight 任务中与非分层 Muesli 基线相竞争，研究揭示了以前未注意到的实际挑战，并为了解复杂领域中的层次代理提供了新的视角。

    Feb, 2023

  • 自主驾驶规划中基于层次模型的模仿学习

    使用 MGAIL 在密集城市自动驾驶方面进行了第一次大规模应用，通过使用分层模型和经过现实汽车采集的经验轨迹进行性能度量，并结合闭环 MGAIL 损失和开环行为克隆损失实现了稳健的导航策略。

    Oct, 2022

  • 自主驾驶层次强化学习无需依赖标签驾驶数据决策

    本文提出了一种基于分层强化学习的自动驾驶决策方法，通过将驾驶任务分解为三个操作并使用全连接神经网络训练各个策略，实现了在高速公路驾驶场景中平稳、安全的自动驾驶决策。

    Jan, 2020