在自动驾驶领域，人类知识与深度强化学习（DRL）的融合通常是基于模拟环境中记录的人类演示。这限制了在现实世界交通中应用的通用性和可行性。我们提出了一种两阶段的DRL方法，从现实世界的人类驾驶中学习，以达到优于纯DRL代理的性能。训练DRL代理是在一个带有机器人操作系统（ROS）的CARLA框架内完成的。为了进行评估，我们设计了不同的真实世界的驾驶场景，以比较拟议的两阶段DRL代理和纯DRL代理。在从人类驾驶者身上提取 "良好 "的行为后，例如在有信号灯的十字路口进行预测，该代理变得更有效率，驾驶更安全，这使得该自主代理更适应于人机交互（HRI）交通。
《DDPG car-following model with real-world human driving experience in CARLA》
论文地址:http://arxiv.org/abs/2112.14602v1
本文暂时没有评论，来添加一个吧(●'◡'●)