文献

J-GLOBAL ID：201802259272216869   整理番号：18A1943651

敵対強化学習による自律車両制御のためのロバスト性と安全性の改善【JST・京大機械翻訳】

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

著者 (3件)： Ma Xiaobai (Aeronautics and Astronautics Department, Stanford University, Stanford, CA, USA) ,  Driggs-Campbell Katherine (Aeronautics and Astronautics Department, Stanford University, Stanford, CA, USA) ,  Kochenderfer Mykel J. (Aeronautics and Astronautics Department, Stanford University, Stanford, CA, USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： IV  ページ： 1665-1671  発行年： 2018年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 自律車両における効率を改善し,故障を低減するために,研究は環境における擾乱を考慮したロバストで安全な学習法の開発に焦点を当てている。ロバスト強化学習における既存の文献は,自律システムと外乱の間の2つのプレイヤーゲームとして学習問題を提起する。本論文では,ゲーム,Robust Adversal Reinstration Learning,およびニューラルFically Self Playを解くための2つの異なるアルゴリズムを検討し,自律運転シナリオにおける性能を比較した。ゲーム定式化を半競合設定に拡張し,結果として生じる敵がより良い全体的性能をもたらす意味のある擾乱をより良く捉えることを実証した。結果としてのロバストな政策は,従来の強化学習法により生成されたベースライン制御ポリシーと比較して,衝突率を効果的に低減しながら,改善された駆動効率を示す。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *安全性 ,  *ロバスト性 ,  定式化 ,  ゲーム ,  *学習 ,  アルゴリズム ,  自律系 ,  基準線 ,  *強化学習
準シソーラス用語： プレイヤ ,  車両制御 ,  *自律性 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： 敵対 ,  強化学習 ,  自律 ,  車両制御 ,  ロバスト性