Map-less Navigation Algorithm for Autonomous Vehicles Based on Deep Reinforcement Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper focuses on the map-less navigation problem of autonomous vehicles based on deep reinforcement learning, and proposes a map-less navigation method for autonomous vehicles based on an improved Twin Delayed Deep Deterministic Policy Gradient (TD3) algorithm. Aiming at the problems of navigation success rate, exploration performance, and training time of existing map-less navigation algorithms based on deep reinforcement learning, the following innovations are used to optimize the above performance: ① Optimize the neural network structure of the TD3 algorithm to enhance the exploration ability of autonomous vehicles in complex environments. ② Construct a composite reward function to integrate dense rewards and sparse rewards, which significantly speeds up the training speed of the algorithm. Finally, the algorithm in this paper only needs 12% of the training amount of the comparison algorithm to achieve the same success rate. A comprehensive test environment and a special test environment were built in a simulation environment for comparative experiments. The results show that the navigation success rate of the algorithm in this paper is increased by 11.80% in the comprehensive test environment; the obstacle avoidance success rate is increased by 40% and 70% in the special test environment, and the exploration success rate is increased by 100%. In the test of real complex environment, the navigation algorithm is not adjusted, and it can effectively drive the autonomous vehicle to perform map-less navigation. The navigation effect and portability of the algorithm are verified.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle