[Ingediend op 8 mei 2020]
Abstract: Op leren gebaseerde rijoplossing, een nieuwe tak voor autonoom rijden, is
naar verwachting de modellering van het rijden vereenvoudigen door de onderliggende te leren
mechanismen uit gegevens. Om de tactische besluitvorming voor te verbeteren
Op leren gebaseerde rijoplossing introduceren we hiërarchisch gedrag en beweging
planning (HBMP) om het gedrag in een leergebaseerde oplossing expliciet te modelleren.
Door de gekoppelde actieruimte van gedrag en beweging is het uitdagend
HBMP-probleem oplossen met behulp van bekrachtigingsleren (RL) voor autorijden met een lange horizon
taken. We transformeren het HBMP-probleem door een klassieke, op steekproeven gebaseerde oplossing te integreren
motion planner, waarvan de optimale kosten worden beschouwd als de beloningen voor
gedragsonderwijs op hoog niveau. Als resultaat vermindert deze formulering de actie
ruimte en diversifieert de beloningen zonder de optimaliteit van HBMP te verliezen. In
Daarnaast stellen we een deelbare representatie voor voor input sensorische data over
simulatieplatforms en real-world omgeving, zodat modellen getraind in een
snelle op gebeurtenissen gebaseerde simulator, SUMO, kan worden gebruikt om de
RL-training in een op dynamica gebaseerde simulator, CARLA. Experimentele resultaten
de effectiviteit van de methode aantonen. Bovendien is het model succesvol
overgedragen naar de echte wereld, waarbij de generalisatiecapaciteit wordt gevalideerd.
Inzendingsgeschiedenis
Van: Jingke Wang [e-mail bekijken]
[V1]
Vr 8 mei 2020 05:34:55 UTC (6,978 KB)
