研究团队提出基于赛车漂移强化学习的自动驾驶失控恢复系统
热点事件观察中
研究团队提出基于赛车漂移强化学习的自动驾驶失控恢复系统
1 篇报道1 个报道来源1 天前更新
先了解这件事
AI 综述
Teodor Ilie等研究团队在预印本中提出一种结合自主赛车漂移策略迁移的自动驾驶极限失控恢复控制系统，并引入评测环境Gym-Khana。该方案先通过强化学习将漂移训练为时间最优动作，再以最小时间奖励继续训练并迁移至失控恢复任务。 实验数据显示，在294种初始失控状态下，该策略较Stanley路径跟踪器的恢复表现提升了186.8%，优于非线性模型预测控制器及从头训练的恢复策略。在1:10比例的F1TENTH实体车测试中，该策略在全部测试状态下的表现均超过Stanley控制器，并在基准方法完全无法恢复的一处极限状态下实现了50%的恢复率。
AI 根据报道生成 · 3 小时前更新
最新进展10月15日 04:04
基于自主赛车强化学习的自动驾驶失控极限安全恢复系统报道时间线
沿着报道，了解事件的不同侧面。
10月15日
- arXiv · 工业智能研究摘要基于自主赛车强化学习的自动驾驶失控极限安全恢复系统
预印本摘要显示，研究人员提出一种通过强化学习自主赛车策略迁移来处理极限失控的自动驾驶安全控制方案。该方法首先通过赛车训练将漂移学为时间最优动作，再以最小时间奖励继续训练迁移至恢复任务，并引入基于相平面稳定平衡点的评测环境 Gym-Khana。
本事件热度走势
- 可比范围当前
- 4
- 可比范围峰值
- 410月16日 13:00
- 近 24 小时变化
- –
01234
13:0014:0015:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。