首頁 展示資訊 展品查詢

具動作平滑化之深度強化式學習技術與運⽤其於⾃駕模型賽⾞駕駛應⽤

回上一頁

具動作平滑化之深度強化式學習技術與運⽤其於⾃駕模型賽⾞駕駛應⽤

自動駕駛技術為當今熱門議題。實現自動駕駛的方法多種多樣,近來有許多運用
深度強化式學習(Deep Reinforcement Learning; DRL)來進行車輛控制的方法,
獲致優異成果。DRL近年來在棋類及電腦遊戲上有許多突破性的發展,在沒有人
為知識的幫助下,能達到或超越人類玩家的水準,例如AlphaZero、Muzero。
結合DRL與電腦視覺,以純視覺影像為輸入的神經網路可如同人類一般,透過直
接觀測車載前置相機的影像進行車輛控制,此即所謂的端對端 (end-to-end) 控
制。這樣的端對端方式,具備簡潔的架構以及未來對不同環境與路況通用性的潛
力,富有研究價值。
本團隊首先發展一套基於影像的虛實轉移技術(sim-to-real transfer),有效縮減
強化學習模型由虛擬環境轉移至真實環境之效能損失,提升純視覺影像神經網路
模型在真實環境中的表現。我們採用生成對抗模型架構CycleGAN,將模擬器中
之影像從虛擬風格轉換為真實世界風格,並以轉換過後的影相進行訓練。此方法
有效縮減純視覺模型的虛實差異(sim-to-real gap),大幅提升自駕賽車於實體賽
道中的適應性。
為了提高自駕車的駕駛穩定度,本團隊更進一步研究確認了在實體車控制平滑性
方面的重要性,並提出新的平滑化技術。在過去,許多傳統的DRL方法著重於最
大化累積回報,導致車輛控制動作的不穩定性。因此,我們透過損失函數限制神
經網路做出劇烈變化之動作,提高時序相鄰動作之連續性,實現DRL模型輸出動
作的平滑化 (action smoothness),並大幅提高自駕車的控制穩定度;我們的研
究也觀察到動作平滑化,同時也會增快賽車的速度。
克服以上挑戰,本團隊研究出有效且穩定的強化學習策略,能夠有效地提高實體
車的完圈率並降低完圈時間。此新技術除了發表於 ICRA 2022 以及 IJCAI 2022
頂尖會議的Workshop,並於2022年底,由Amazon公司主辦的AWS DeepRac
er全球自動駕駛賽車聯盟競賽(總參賽達15萬人次),獲得包辦全球前三名的殊
榮,並獲得總獎金USD$18,000(約NT$550,000)。

國立陽明交通大學

學研單位

聯絡人

  • 姓名:柯月卿

  • 電話:03-5731603

  • 地址:新竹市東區大學路1001號EC511

Email

其他資訊

  • 展館別:未來科技館 2023AIoT智慧應用 FH08

  • 所屬代表參展單位:國家科學及技術委員會

  • 主要應用領域:資訊與通訊、機械與系統

位置 更多資訊
  • 技術成熟度:實驗室階段

  • 展示目的:研發成果展示

  • 流通方式:自行洽談

詢問

*服務單位

*姓名

*Email

*洽商內容/需求

需求說明

洽商單

*服務單位

*姓名

*Email

*洽商內容/需求

需求說明

敬請期待!

線上展

TOP

會員登入

帳號

密碼

忘記密碼