注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 强化学习自动驾驶

  2. 使用强化学习进行赛车的自动驾驶功能实现，具体使用DDPG算法

  3. 所属分类：深度学习

    • 发布日期：2018-06-26
    • 文件大小：14680064
    • 提供者：wuyangxu

  1. MIT6.S094自动驾驶课程课件

  2. MIT6.S094自动驾驶课程课件，对自动驾驶感兴趣的可以下载学习，对于深度学习、强化学习的学习也有一定的帮助。

  3. 所属分类：深度学习

    • 发布日期：2018-10-10
    • 文件大小：35651584
    • 提供者：blexsantos

  1. 最新《智能交通系统的深度强化学习》综述论文

  2. 最新的技术进步提高了交通运输的质量。新的数据驱动方法为所有基于控制的系统(如交通、机器人、物联网和电力系统)带来了新的研究方向。

  3. 所属分类：机器学习

    • 发布日期：2020-05-06
    • 文件大小：857088
    • 提供者：syp_net

  1. 【强化学习自动驾驶】使用SAC算法同时控制转向和速度

  2. 在莫凡的虚拟环境基础上进行修改 SAC改动很少 在windows系统 cuda10.1 tensorflow2.2 tensorflow-probability 0.6.0 tensorlayer >=2.0.0 效果还行

  3. 所属分类：深度学习

    • 发布日期：2020-12-12
    • 文件大小：9216
    • 提供者：qq_15536485

  1. evolutionary-reinforcement-neural-network-autonomous-car:基于进化算法和强化学习的自学自动驾驶汽车-源码

  2. 基于进化神经网络和强化学习神经网络的自学自动驾驶汽车 该程序旨在通过进化算法或强化学习来演示自学自动驾驶汽车的工作原理。这意味着您可以在这两种方法之间切换。 通过运行以下命令，用进化方法启动程序：python Game.py 如果您想通过强化学习来启动程序，请使用以下命令运行它：python Game.py --rl True 您可以尝试通过编辑Config.py文件来更改游戏，例如，更改地图大小，更改汽车大小等。 进化算法测试的结果： 这是第一代 这是最适合个人的最新一代产品 研究成果 这是开

  3. 所属分类：其它

    • 发布日期：2021-03-21
    • 文件大小：28311552
    • 提供者：weixin_42136837

  1. Reinforcement-Learning-Approach-to-Autonomous-Race-Car2:强化学习方法助力无人方程式学生技术-源码

  2. 自主赛车的强化学习方法 增强学习方法，用于“ Formula Student Technion无人驾驶”项目，该项目在具有AirSim插件的虚幻引擎4中使用Soft Actor Critic（SAC）算法和变体自动编码器（VAE）进行了模拟。 先决条件 作业系统：Ubuntu 18.04 or Windows 10 软体：Unreal Engine 4.24.3 GPU：Nvidia GTX 1080或更高版本（推荐） 如何建造 通过单击此链接 ， 设置虚幻引擎4，AirSim和FSTD环境

  3. 所属分类：其它

    • 发布日期：2021-03-07
    • 文件大小：10485760
    • 提供者：weixin_42101384

  1. 解读|如何使用深度强化学习帮助自动驾驶汽车通过交叉路口？

  2. 即使是人类司机，交通事故中也有高达20%发生在交叉路口[1]。这就意味着无人驾驶汽车要想学好通过交叉路口不是件容易的事。要成功通过交叉路口，需要完成三件事：1)理解汽车的动态行为，2)解读其他司机的意图，3)以可被预测的方式行动以便其他司机能够合适地响应。这需要在大量有冲突的目标之间寻找平衡，其中包括安全性、效率和最小化对车流的破坏。基于规则的处理交叉路口任务的方法主要分为两大类：协同方法（cooperativemethods）[2]和启发式方法（heuristicmethods）[3]。由于需

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：970752
    • 提供者：weixin_38655878

  1. 一天就学会了自动驾驶——强化学习在自动驾驶的应用

  2. 强化学习是通过对未知环境一边探索一边建立环境模型以及学得一个最优策略。强化学习具有以下特征：没有监督数据，只有奖励（reward）信号；奖励信号不一定是实时的，而很可能是延后的，有时甚至延后很多；时间（序列）是一个重要因素；智能体当前的行为影响后续接收到的数据。而有监督学习则是事先给你了一批样本，并告诉你哪些样本是优的哪些是劣的（样本的标记信息），通过学习这些样本而建立起对象的模型及其策略。在强化学习中没有人事先告诉你在什么状态下应该做什么，只有在摸索中反思之前的动作是否正确来学习。从这个角度看

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：420864
    • 提供者：weixin_38686153

  1. 自动驾驶中的强化学习：从虚拟到现实

  2. 强化学习（ReinforcementLearning）是机器学习的一个热门研究方向。强化学习较多的研究情景主要在机器人、游戏与棋牌等方面，自动驾驶的强化学习研究中一大问题是很难在现实场景中进行实车训练。因为强化学习模型需要成千上万次的试错来迭代训练，而真实车辆在路面上很难承受如此多的试错。所以目前主流的关于自动驾驶的强化学习研究都集中在使用虚拟驾驶模拟器来进行代理（Agent）的仿真训练，但这种仿真场景和真实场景有一定的差别，训练出来的模型不能很好地泛化到真实场景中，也不能满足实际的驾驶要求。加

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：417792
    • 提供者：weixin_38597533

  1. 人工智能20行代码构建浏览器中自动驾驶的tensorflow强化学习环境

  2. 人工智能20行代码构建浏览器中自动驾驶的tensorflow强化学习环境，Metacar浏览器中自驾车的强化学习环境。Metacar是在浏览器中运行的自主车辆的2D强化学习环境。该项目旨在通过解决有趣的问题让每个人更容易接受强化学习。Metacar带有一组预定义的级别，其中一些难以解决。更多级别和可能的场景将很快添加（行人，自行车...）。此外，图书馆让您创建自己的关卡并个性化环境以创建您想要的场景。如果您想成为项目的一部分，无论是在环境中实现功能还是演示算法，都可以随时加入闲散频道，提出问题并

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：151552
    • 提供者：weixin_38597889

  1. 强化学习的10个现实应用

  2. 在强化学习中，我们使用奖惩机制来训练agents。Agent做出正确的行为会得到奖励，做出错误的行为就会受到惩罚。这样的话，agent就会试着将自己的错误行为最少化，将自己的正确行为最多化。本文我们将会聚焦于强化学习在现实生活中的实际应用。无人驾驶中的应用很多论文都提到了深度强化学习在自动驾驶领域中的应用。在无人驾驶中，需要考虑的问题是非常多的，如：不同地方的限速不同限速，是否是可行驶区域，如何躲避障碍等问题。有些自动驾驶的任务可以与强化学习相结合，比如轨迹优化，运动规划，动态路径，最优控制，以

  3. 所属分类：其它

    • 发布日期：2021-02-23
    • 文件大小：385024
    • 提供者：weixin_38715094

  1. 基于注意力的分层深度强化学习在自动驾驶变道行为中的应用

  2. 执行安全高效的车道变更是创建全自动驾驶汽车的关键功能。最近的先进技术已经证明了使用深度强化学习的成功车道跟随行为，但很少考虑与其他车辆在道路上进行交互以改变车道的行为。本文设计了一种分层的深度强化学习（DRL）算法来学习密集交通中的车道变化行为。通过将整体行为分解为子策略，可以了解更快，更安全的车道变更动作。我们还将时空注意应用于DRL架构，这有助于车辆将更多的注意力集中在周围的车辆上，并导致更平滑的车道变换行为。我们在TORCS模拟器中进行实验，其结果在各种车道变更场景中均优于最新的深度强化学

  3. 所属分类：其它

    • 发布日期：2021-02-23
    • 文件大小：675840
    • 提供者：weixin_38639747

  1. 5分钟学习驾驶：实施强化学习方法，使汽车在几分钟内学会平稳驾驶-源码

  2. 在几分钟内学会平稳驾驶 在驴车模拟器中使用强化学习算法-软演员关键（SAC）和可变自动编码器（VAE），在几分钟内学会平稳驾驶。 Medium上的博客文章： 视频： ： 0级 1级 注意：必须将预训练的代理保存在logs/sac/文件夹中（您需要传递--exp-id 6 （文件夹的索引）才能使用预训练的代理）。 快速开始 下载模拟器或从构建模拟器 安装依赖项（参见requirements.txt） （可选，但建议）下载预训练的VAE： 使用Soft Actor-Critic（SAC

  3. 所属分类：其它

    • 发布日期：2021-02-06
    • 文件大小：10485760
    • 提供者：weixin_42117037

  1. AirSim：来自Microsoft AI＆Research的基于Unreal Engine Unity的自动驾驶汽车开源模拟器-源码

  2. 欢迎来到AirSim AirSim是一款基于 （我们现在还有一个实验性的版本）的无人机，汽车等模拟器。 它是开源，跨平台的，并通过流行的飞行控制器（例如PX4和ArduPilot）支持在环软件仿真，并通过PX4进行硬件在环仿真，以进行物理和视觉逼真的仿真。 它是作为Unreal插件开发的，可以直接放入任何Unreal环境中。 同样，我们有一个Unity插件的实验版本。 我们的目标是将AirSim开发为AI研究的平台，以对自动驾驶汽车的深度学习，计算机视觉和强化学习算法进行实验。 为此，Air

  3. 所属分类：其它

    • 发布日期：2021-02-06
    • 文件大小：226492416
    • 提供者：weixin_42177768

  1. 硕士论文：自动驾驶中的深度强化学习：用于使汽车学习在TORCS中驾驶的A3C算法； Python 3.5，Tensorflow，张量板，numpy，gym-torcs，ubuntu，乳胶-源码

  2. 自动驾驶中的深度强化学习 最适合离散操作：4名工人，学习率1e-4 无法使其在连续动作空间中正常工作； 它产生的动作出了问题 A3C创意 总览 人工神经网络的架构

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：234881024
    • 提供者：weixin_42114041

  1.  基于强化学习的飞行自动驾驶仪设计

  2. 针对强化学习在连续状态连续动作空间中的维度灾难问题，利用BP神经网络算法作为值函数逼近策略，设计了自动驾驶仪。并引入动作池机制，有效避免飞行仿真中危险动作的发生。首先，建立了TD强化学习算法框架；然后根据经验将舵机动作合理分割为若干组，在不同的飞行状态时，调取不同组中的动作；其次，构建了BP神经网络，通过飞行过程中的立即奖赏，更新网络的值函数映射；最后，通过数字仿真验证了强化学习自动驾驶仪的性能，仿真结果表明，该算法具有良好的动态和稳态性能。

  3. 所属分类：其它

    • 发布日期：2021-01-30
    • 文件大小：841728
    • 提供者：weixin_38706951

  1. 自动驾驶中的强化学习：从虚拟到现实

  2. 强化学习（ReinforcementLearning）是机器学习的一个热门研究方向。强化学习较多的研究情景主要在机器人、游戏与棋牌等方面，自动驾驶的强化学习研究中一大问题是很难在现实场景中进行实车训练。因为强化学习模型需要成千上万次的试错来迭代训练，而真实车辆在路面上很难承受如此多的试错。所以目前主流的关于自动驾驶的强化学习研究都集中在使用虚拟驾驶模拟器来进行代理（Agent）的仿真训练，但这种仿真场景和真实场景有一定的差别，训练出来的模型不能很好地泛化到真实场景中，也不能满足实际的驾驶要求。加

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：417792
    • 提供者：weixin_38738506

  1. 一天就学会了自动驾驶——强化学习在自动驾驶的应用

  2. 强化学习是通过对未知环境一边探索一边建立环境模型以及学得一个最优策略。强化学习具有以下特征：没有监督数据，只有奖励（reward）信号；奖励信号不一定是实时的，而很可能是延后的，有时甚至延后很多；时间（序列）是一个重要因素；智能体当前的行为影响后续接收到的数据。而有监督学习则是事先给你了一批样本，并告诉你哪些样本是优的哪些是劣的（样本的标记信息），通过学习这些样本而建立起对象的模型及其策略。在强化学习中没有人事先告诉你在什么状态下应该做什么，只有在摸索中反思之前的动作是否正确来学习。从这个角度看

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：420864
    • 提供者：weixin_38731553

  1. 人工智能20行代码构建浏览器中自动驾驶的tensorflow强化学习环境

  2. 人工智能20行代码构建浏览器中自动驾驶的tensorflow强化学习环境，Metacar浏览器中自驾车的强化学习环境。Metacar是在浏览器中运行的自主车辆的2D强化学习环境。该项目旨在通过解决有趣的问题让每个人更容易接受强化学习。Metacar带有一组预定义的级别，其中一些难以解决。更多级别和可能的场景将很快添加（行人，自行车...）。此外，图书馆让您创建自己的关卡并个性化环境以创建您想要的场景。如果您想成为项目的一部分，无论是在环境中实现功能还是演示算法，都可以随时加入闲散频道，提出问题并

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：151552
    • 提供者：weixin_38713801

  1. 基于注意力的分层深度强化学习在自动驾驶变道行为中的应用

  2. 执行安全高效的车道变更是创建全自动驾驶汽车的关键功能。最近的先进技术已经证明了使用深度强化学习的成功车道跟随行为，但很少考虑与其他车辆在道路上进行交互以改变车道的行为。本文设计了一种分层的深度强化学习（DRL）算法来学习密集交通中的车道变化行为。通过将整体行为分解为子策略，可以了解更快，更安全的车道变更动作。我们还将时空注意应用于DRL架构，这有助于车辆将更多的注意力集中在周围的车辆上，并导致更平滑的车道变换行为。我们在TORCS模拟器中进行实验，其结果在各种车道变更场景中均优于最新的深度强化学

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：675840
    • 提供者：weixin_38617335
« 12 »