論文の概要: A Comparative Analysis of Deep Reinforcement Learning-enabled Freeway Decision-making for Automated Vehicles

• arxiv url: http://arxiv.org/abs/2008.01302v1
• Date: Tue, 4 Aug 2020 03:21:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-02 23:19:22.938774
• Title: A Comparative Analysis of Deep Reinforcement Learning-enabled Freeway Decision-making for Automated Vehicles
• Title（参考訳）: 自動車の深部強化学習対応フリーウェイ意思決定の比較分析
• Authors: Teng Liu, Bing Huang, Xingyu Mu, Fuqing Zhao, Xiaolin Tang, Dongpu Cao
• Abstract要約: 本稿では,自動運転車の高速道路意思決定問題に対する複数のDRL手法の比較を行った。 拡張として、上述のDRL法の実装が数学的に確立されている。 これらのDRL対応意思決定戦略の制御性能を評価するために,一連のシミュレーション実験を行った。
• 参考スコア（独自算出の注目度）: 14.533584741704276
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep reinforcement learning (DRL) is becoming a prevalent and powerful methodology to address the artificial intelligent problems. Owing to its tremendous potentials in self-learning and self-improvement, DRL is broadly serviced in many research fields. This article conducted a comprehensive comparison of multiple DRL approaches on the freeway decision-making problem for autonomous vehicles. These techniques include the common deep Q learning (DQL), double DQL (DDQL), dueling DQL, and prioritized replay DQL. First, the reinforcement learning (RL) framework is introduced. As an extension, the implementations of the above mentioned DRL methods are established mathematically. Then, the freeway driving scenario for the automated vehicles is constructed, wherein the decision-making problem is transferred as a control optimization problem. Finally, a series of simulation experiments are achieved to evaluate the control performance of these DRL-enabled decision-making strategies. A comparative analysis is realized to connect the autonomous driving results with the learning characteristics of these DRL techniques.
• Abstract（参考訳）: 深層強化学習(DRL)は、人工知能問題に対処するための、一般的かつ強力な方法論になりつつある。 自己学習と自己改善の膨大なポテンシャルから、DRLは多くの研究分野で広く利用されている。 本稿では、自動運転車の高速道路意思決定問題に対する複数のDRLアプローチの総合的な比較を行った。 これらのテクニックには、共通の深層Q学習(DQL)、ダブルDQL(DDQL)、デュエルDQL、優先度の高いDQLなどがある。 まず、強化学習(RL)フレームワークを導入する。 拡張として、上記のDRLメソッドの実装が数学的に確立されている。 そして、自動走行車の高速道路運転シナリオを構築し、意思決定問題を制御最適化問題として転送する。 最後に,DRL対応意思決定戦略の制御性能を評価するためのシミュレーション実験を行った。 自律運転結果とこれらのDRL手法の学習特性を結合する比較分析が実現された。

関連論文リスト

• TeLL-Drive: Enhancing Autonomous Driving with Teacher LLM-Guided Deep Reinforcement Learning [61.33599727106222]
  TeLL-Driveは、Teacher LLMを統合して、注意に基づく学生DRLポリシーをガイドするハイブリッドフレームワークである。 自己維持機構はDRLエージェントの探索とこれらの戦略を融合させ、政策収束を加速し、堅牢性を高める。
  論文  参考訳（メタデータ） (2025-02-03T14:22:03Z)
• Evaluating Scenario-based Decision-making for Interactive Autonomous Driving Using Rational Criteria: A Survey [14.51227749657833]
  本調査では, 自律走行における深部強化学習(DRL)アルゴリズムの適用について概説する。 シナリオとしては、ハイウェイ、オンランプのマージ、ラウンドアバウンド、未署名の交差点などがある。 DRLに基づくアルゴリズムは、運転安全性、運転効率、訓練効率、非利己性、解釈可能性の5つの基準に基づいて評価される。
  論文  参考訳（メタデータ） (2025-01-03T16:37:52Z)
• Aquatic Navigation: A Challenging Benchmark for Deep Reinforcement Learning [53.3760591018817]
  ゲームエンジンとDeep Reinforcement Learningの統合の最近の進歩を利用して,水上ナビゲーションのための新しいベンチマーク環境を提案する。 具体的には、最も広く受け入れられているアルゴリズムの一つであるPPOに着目し、先進的なトレーニング手法を提案する。 実験により,これらの成分をうまく組み合わせることで,有望な結果が得られることが示された。
  論文  参考訳（メタデータ） (2024-05-30T23:20:23Z)
• Demystifying the Physics of Deep Reinforcement Learning-Based Autonomous Vehicle Decision-Making [6.243971093896272]
  本稿では,ベースラインモデルとしてポリシー最適化に基づくDRLアルゴリズムを用い,オープンソースのAVシミュレーション環境にマルチヘッドアテンションフレームワークを付加する。 第1頭部の重みは隣接する車両の位置を符号化し、第2頭部は先頭車両のみに焦点を当てている。
  論文  参考訳（メタデータ） (2024-03-18T02:59:13Z)
• Unified Automatic Control of Vehicular Systems with Reinforcement Learning [64.63619662693068]
  本稿では,車載マイクロシミュレーションの合理化手法について述べる。 最小限の手動設計で高性能な制御戦略を発見する。 この研究は、波動緩和、交通信号、ランプ計測に類似した多くの創発的挙動を明らかにしている。
  論文  参考訳（メタデータ） (2022-07-30T16:23:45Z)
• Automated Reinforcement Learning (AutoRL): A Survey and Open Problems [92.73407630874841]
  AutoRL(Automated Reinforcement Learning)には、AutoMLの標準的なアプリケーションだけでなく、RL特有の課題も含まれている。 我々は共通の分類法を提供し、各領域を詳細に議論し、今後の研究者にとって関心のあるオープンな問題を提起する。
  論文  参考訳（メタデータ） (2022-01-11T12:41:43Z)
• Pessimistic Model Selection for Offline Deep Reinforcement Learning [56.282483586473816]
  深層強化学習(DRL)は多くのアプリケーションにおいてシーケンシャルな意思決定問題を解決する大きな可能性を示している。 主要な障壁の1つは、DRLが学んだ政策の一般化性の低下につながる過度に適合する問題である。 理論的保証のあるオフラインDRLに対する悲観的モデル選択(PMS)手法を提案する。
  論文  参考訳（メタデータ） (2021-11-29T06:29:49Z)
• Knowledge Transfer in Multi-Task Deep Reinforcement Learning for Continuous Control [65.00425082663146]
  連続制御のための知識伝達に基づく多タスク深層強化学習フレームワーク(KTM-DRL)を提案する。 KTM-DRLでは、マルチタスクエージェントがまずオフラインの知識伝達アルゴリズムを利用して、タスク固有の教師の経験から制御ポリシーを素早く学習する。 実験結果は,KTM-DRLとその知識伝達とオンライン学習アルゴリズムの有効性を正当化するとともに,最先端技術よりも大きなマージンによる優位性を示した。
  論文  参考訳（メタデータ） (2020-10-15T03:26:47Z)
• Decision-making for Autonomous Vehicles on Highway: Deep Reinforcement Learning with Continuous Action Horizon [14.059728921828938]
  本稿では,高速道路における連続水平決定問題に対処するために,深部強化学習(DRL)手法を用いる。 エゴ自動車両の走行目標は、衝突することなく効率的でスムーズなポリシーを実行することである。 PPO-DRLに基づく意思決定戦略は、最適性、学習効率、適応性など、複数の観点から推定される。
  論文  参考訳（メタデータ） (2020-08-26T22:49:27Z)
• Deep Reinforcement Learning for Autonomous Driving: A Survey [0.3694429692322631]
  このレビューは、深層強化学習(DRL)アルゴリズムを要約し、自動走行タスクの分類を提供する。 また、振る舞いのクローン化、模倣学習、逆強化学習など、古典的なRLアルゴリズムとは無関係な隣接領域についても記述する。 トレーニングエージェントにおけるシミュレータの役割,RLにおける既存ソリューションの検証,テスト,堅牢化手法について論じる。
  論文  参考訳（メタデータ） (2020-02-02T18:21:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。