Improved Robustness and Safety for Autonomous Vehicle Control with Adversarial Reinforcement Learning #29

Improved Robustness and Safety for Autonomous Vehicle Control with Adversarial Reinforcement Learning

提交日期; 2019-03-08
团队: 斯坦福大学航空航天系
作者: Xiaobai Ma, Katherine Driggs-Campbell, Mykel J. Kochenderfer

摘要:为了对自动驾驶车提高效率并减少故障，研究重点是开发考虑到环境干扰的强大而安全的学习方法。 强化学习现有文献将学习问题作为自治系统与干扰之间的双人游戏。 本文研究了两种不同的算法来解决这种双人游戏：鲁棒性对抗强化学习和神经虚拟自我游戏，并比较这两种算法在自动驾驶场景的表现。我们将游戏制定扩展到半竞争环境，并证明最终的对手可以更好地捕获有意义的干扰，从而提高整体性能。 与传统强化学习方法产生的基线控制政策相比，这种方式下的鲁棒性的政策表现提高了驾驶效率，同时降低了碰撞率。