Review of Deep Reinforcement Learning for Autonomous Driving

要約

ディープ ニューラル ネットワークの復活以来、強化学習は徐々に強化され、多くの従来のゲームで人間を凌駕してきました。
しかし、現実世界の状態空間は非常に複雑であり、行動空間は連続的であり、細かい制御が必要であるため、これらの成果を自動運転にコピーすることは容易ではありません。
さらに、自動運転システムは、環境の複雑さに関係なく機能を維持する必要もあります。
深層強化学習ドメイン (DRL) は、深層表現学習を使用して高次元環境で複雑なポリシーを処理するための堅牢な学習フレームワークになりました。
この研究では、深い強化学習アルゴリズム (DRL) の概要を説明しています。
DRL 技術が使用されている自動運転の命名法を提示し、実際の環境で自動運転エージェントを評価する際の重要な計算上の問題について説明します。
代わりに、アクションのエミュレーション、モデリングの模倣、逆強化学習などの隣接する分野である、標準的ではないが同様の RL 手法が含まれます。
既存の RL ソリューションの検証、チェック、および堅牢性の方法と同様に、エージェントのトレーニングにおけるシミュレーターの役割が取り上げられています。

要約(オリジナル)

Since deep neural networks’ resurgence, reinforcement learning has gradually strengthened and surpassed humans in many conventional games. However, it is not easy to copy these accomplishments to autonomous driving because state spaces are immensely complicated in the real world and action spaces are continuous and fine control is necessary. Besides, autonomous driving systems must also maintain their functionality regardless of the environment’s complexity. The deep reinforcement learning domain (DRL) has become a robust learning framework to handle complex policies in high dimensional surroundings with deep representation learning. This research outlines deep, reinforcement learning algorithms (DRL). It presents a nomenclature of autonomous driving in which DRL techniques have been used, thus discussing important computational issues in evaluating autonomous driving agents in the real environment. Instead, it involves similar but not standard RL techniques, adjoining fields such as emulation of actions, modelling imitation, inverse reinforcement learning. The simulators’ role in training agents is addressed, as are the methods for validating, checking and robustness of existing RL solutions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google