End-to-End-modellfreies Verstärkendes Lernen für städtisches Fahren unter Verwendung impliziter Affordanzen

Reinforcement Learning (RL) zielt darauf ab, eine optimale Verhaltensstrategie durch eigene Experimente zu erlernen, anstatt auf regelbasierte Steuerungsmethoden zurückzugreifen. Dennoch existiert bisher kein RL-Algorithmus, der eine Aufgabe so komplex wie den urbanen Fahrzeugbetrieb bewältigen kann. Wir präsentieren eine neuartige Technik, die als implizite Affordanzen bezeichnet wird, um RL effektiv für den urbanen Fahrzeugbetrieb einzusetzen – inklusive Spurhalten, Vermeidung von Fußgängern und anderen Fahrzeugen sowie der Erkennung von Ampeln. Soweit uns bekannt ist, sind wir die ersten, die einen erfolgreichen RL-Agenten vorstellen, der eine derart komplexe Aufgabe bewältigt, insbesondere hinsichtlich der Ampelerkennung. Darüber hinaus haben wir die Wirksamkeit unserer Methode durch den Sieg im „Camera Only“-Wettbewerb des CARLA-Challenges nachgewiesen.