登录TOPS×

*


*

验证码加载中……

请先拖动验证码到相应位置


2018年12月19日 • 星期三 • 第51周  
——  孙  剑  教  授  课  题  组  ——

第31期组会:叶颖俊《智能网联汽车自我学习平台》

撰稿 胡祥旺   2017年5月21日 00:02:50  阅读(1591)

2017年5月15日17:30-19:30,TOPS课题组如期举行了第31期组会,本期组会由15级硕士生叶颖俊介绍深度学习、强化学习的基本知识及关于智能网联汽车自我学习平台的研究进展,参会成员有孙剑老师和全体同学。

面对日益恶化的交通环境,互联网时代下,智能网联汽车正受到越来越多的关注。由于在解决交通安全、道路拥堵、能耗排放以及改善用户体验上具有巨大潜力,智能网联汽车被视为未来交通的趋势及核心。目前业界和学界普遍关注智能车辆行为决策的智力水平,尽管自动驾驶的两大阵营(传统汽车产业和IT产业)采取不同的发展路线,但他们都认为深度学习是实现全自动驾驶的唯一途径。在此大背景下,叶颖俊从深度强化学习(DRL)简介、VISSIM智能汽车仿真接口、智能网联汽车自我训练平台(VISSIM+DRL)三个方面展开研究汇报,最后总结了当前研究并展望下一步工作。

第一部分,深度强化学习(DRL)简介。叶颖俊首先介绍深度学习的网络结构(卷积、池化)、训练目标(交叉熵、激活函数)、参数学习(批处理、学习率、丢失率)与传统多层神经网络的区别,由于传统深度学习数据难以标签化、调参工作量大、训练耗时长,需要引入深度强化学习,从而更有效地解决训练数据集中未包含的特殊情况,把整个系统进行长期考虑,全局观念更强。同时,他介绍了当前流行的深度学习平台和几个经典的深度学习应用案例。

第二部分,VISSIM智能汽车仿真接口介绍。有4种途径可以控制VISSIM的智能汽车:内部参数、COM接口、外部驾驶员接口、驾驶模拟器接口。如果无需修改驾驶模型,使用内部参数即可;如果无需修改换道模型,则使用COM接口即可;无需考虑多link上的车辆,使用外部驾驶员接口即可;以上需求都有的话则需要使用驾驶模拟器接口。

第三部分,智能网联汽车自我训练平台(VISSIM+DRL)。深度强化学习在自动驾驶中的应用逻辑是:智能体学习环境的不同状态并做出相应可能的动作,评价每个动作的作用在该状态下的效果并建立奖励/惩罚函数,通过不断地迭代学习驾驶行为。在本次研究中,VISSIM提供虚拟仿真环境,TensorFlow平台提供深度强化学习算法,对车辆的跟驰行为进行学习。

其后,李铁男、王尔根、黄秀玲、李旭红、秦国阳、张小卉、刘启远就模型的input数据形式、单步reward与全局reward的概念、深度学习与强化学习的差异、reward的设置目标和精细化建模等方面提出问题并展开讨论。

孙剑教授就以上研究总结了三点:其一,深度学习的算法虽然复杂,但用起来不难,正如我们是要研究怎么开车而不需要怎么造车;其二,深度学习不可滥用,深度学习在解决驾驶行为等复杂现象时确实有优势,但并不是任何交通问题都适合用深度学习来解决的,如行程时间;其三,作为交通研究,我们重点不是关注深度学习平台,而是核心的驾驶行为学习模型。

最近更新:2018年3月11日 17:07:56

电话:021-69583650  管理员邮箱:2015qgy@tongji.edu.cn  
地址:上海市曹安公路4800号同济大学交通运输工程学院A440  邮编:201804

Creative Commons License TOPS课题组 访问量:105351