深度强化学习在自动驾驶领域的应用.docxVIP

随着深度表征学习(deeprepresentationlearning)的发展，强化学习（RL）领域已经形成一个强大的学习框架，并且如今已经具备在高维环境中学习复杂策略的能力。本文总结了深度强化学习（DRL）算法，并且对采用了深度强化学习方法的自动驾驶任务进行了分类，同时指出了自动驾驶智能体在现实世界的部署中遇到的关键计算性挑战。

背景

自动驾驶系统包含多个感知级别任务。受益于深度学习架构，这些感知任务目前已经实现了高精度。除了感知，自动驾驶系统还涉及多个不再适用经典监督学习的任务。这些任务大致分为如下三种情况：

当对智能体行为的预测改变了从自动驾驶智能体运行的环境中接收到的未来传感器观测值时；

当出现诸如碰撞时间（TTC）、相对于代理的最优轨迹的横向误差等监控信号表示代理的动态以及环境中的不确定性等影响因素时；

当代理需要学习环境的新配置，以及在其环境中驾驶时预测每个时刻的最佳决策时。

对于这些任务，尤其是驾驶策略、预测感知、路径和运动规划以及低级别控制器设计，强化学习是很有希望的解决方案。为此，本文献重点回顾了自动驾驶领域中强化学习的不同实际部署。此前，强化学习或深度强化学习在自动驾驶领域的应用是一个新兴领域。

自动驾驶系统的组成部分

下图描绘了自动驾驶系统的标准模块，并展示了从传感器流到控制驱动的流程。现代自动驾驶系统中的传感器架构主要包括多组相机，雷达，激光雷达（LID