摘要
强化学习（Reinforcement Learning, RL）旨在通过自主实验学习最优行为策略，而非依赖于规则驱动的控制方法。然而，迄今为止尚无任何强化学习算法能够胜任城市驾驶这类复杂任务。本文提出了一种名为“隐式可操作性”（implicit affordances）的新技术，有效提升了强化学习在城市驾驶场景中的应用能力，涵盖车道保持、行人与车辆避让以及交通信号灯识别等关键功能。据我们所知，本工作是首个成功实现此类复杂任务的强化学习智能体，尤其在交通信号灯识别方面取得了突破性进展。此外，我们通过在CARLA挑战赛“仅摄像头”（Camera Only）赛道中获得冠军，充分验证了所提方法的有效性与实用性。