文献

J-GLOBAL ID：202002224525584792   整理番号：20A2586179

深さ強化学習に基づくエンドツーエンド無人運転意思決定【JST・京大機械翻訳】

End-to-End Autonomous Driving Decision Based on Deep Reinforcement Learning

著者 (5件)： Huang Zhiqing (北京工業大学信息学部,北京100124;北京市物聯网軟件与系統工程技術研究中心,北京,100124) ,  Qu Zhiwei (北京工業大学信息学部,北京100124;北京市物聯网軟件与系統工程技術研究中心,北京,100124) ,  Zhang Ji (北京工業大学信息学部,北京100124;北京市物聯网軟件与系統工程技術研究中心,北京,100124) ,  Zhang Yanxin (北京交通大学電子信息工程学院,北京100044) ,  Tian Rui (北京工業大学信息学部,北京100124;北京市物聯网軟件与系統工程技術研究中心,北京,100124)
資料名： Dianzi Xuebao  (Dianzi Xuebao)
巻： 48  号： 9  ページ： 1711-1719  発行年： 2020年 
JST資料番号： C2504A  ISSN： 0372-2112  CODEN： TTHPAG  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： エンドツーエンドの運転意思決定は,無人運転領域の研究焦点である。本論文では、DDPG(DeepDeterministicPolicyGradient)の深度強化学習アルゴリズムに基づき、連続型動作出力のエンドツーエンド運転意思決定について研究した。まず第一に,DDPGアルゴリズムに基づくエンドツーエンド意思決定制御モデルを確立し,次に,入力状態として車両の角度,車両速度,道路距離,および車両の運転動作(加速,ブレーキ,およびステアリング)の連続的制御を,連続的に取得された知覚情報(例えば,車両回転角,車両速度,道路距離など)によって,確立した。次にTORCS(TheOpenRacingCarSimulator)プラットフォームで異なる走行環境で訓練を行い、検証し、その結果、このモデルはエンドツーエンドの無人運転意思決定を実現できることが分かった。最後に、離散型動作出力のDQN(DeepQ-learningNetwork)モデルと比較し、実験結果はDDPG意思決定モデルがより優れた意思決定制御効果を有することを示した。Data from Wanfang. Translated by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  *意思決定 ,  ブレーキ ,  道路 ,  *エンドツーエンド方式 ,  回転角 ,  *強化学習 ,  学習アルゴリズム
準シソーラス用語： 無人運転 ,  制御モデル ,  走行環境 ,  意思決定モデル , 【Automatic Indexing@JST】

分類 (2件)： 数値計算  (JE02000J) ,  計算理論  (JB02000A)

タイトルに関連する用語 (3件)： 強化学習 ,  エンドツーエンド ,  意思決定