Resumen

La conducción autónoma es un campo popular y prometedor de la inteligencia artificial. La decisión rápida de la siguiente acción en función de las últimas acciones y el estado, como la aceleración, el freno y el ángulo de giro, es una de las principales preocupaciones de la conducción autónoma. Existen algunos métodos de aprendizaje, como el aprendizaje por refuerzo, que aprende automáticamente la decisión. Sin embargo, suele requerir un gran volumen de muestras. En este trabajo, para reducir el tamaño de la muestra, explotamos el proceso profundo de Gauss, donde un modelo de regresión se entrena en pequeños conjuntos de datos de muestra y captura las características más significativas correctamente. Además, para realizar el control en tiempo real y en bucle cerrado, combinamos el control de retroalimentación en el proceso. Los resultados experimentales obtenidos con el motor de simulación Torcs demuestran que se puede conseguir una conducción suave en una carretera virtual. En comparación con la cantidad de datos de entrenamiento en el aprendizaje profundo por refuerzo, nuestro método utiliza sólo el 0,34% de su tamaño y obtiene resultados de simulación similares. Puede ser útil para pruebas en carretera real en el futuro.

• Materias:Motores (Mecánica) Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Engines Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:motor de simulación torcs, proceso gaussiano profundo, aprendizaje por refuerzo profundo, últimas acciones, pruebas en carretera reales, resultados de simulación similares, conjuntos de datos de muestras pequeñas, conducción autónoma, resultados experimentales, decisión rápida
• Keywords:torcs simulation engine, deep gaussian process, deep reinforcement learning, latest few actions, real road tests, similar simulation results, small sample datasets, autonomous driving, experimental results, rapid decision