关注:决策智能与机器学习,深耕AI脱水干货
作者 | 搬砖的旺财,地平线机器人算法工程师
来源 | 知乎,https://zhuanlan.zhihu.com/p/79712897
报道 | 无人车情报局
导读:
作者详细介绍了基于深度强化学习(Deep Reinforcement Learning, DRL)的无人车自适应路径规划方法,并在无障碍环境、静态障碍环境、动态障碍环境下都取得了不错的效果。
1. 前言
2. 主要研究内容
3. D3QN PER算法
----3.1 DQN算法
----3.2 Double DQN算法
----3.3 Dueling DQN算法
----3.4 优先经验回放
4. 环境特征融合方案
----4.1 自身状态信息处理方法
----4.2 激光雷达点云信息处理方法
----4.3 视觉图像信息处理方法
----4.4 环境特征融合方案
5. 实验环境
----5.1 仿真实验环境的搭建
----5.2 小车的动作空间划分
----5.3 算法参数设置
----5.4 奖励函数的设置
6. 效果展示
----6.1 无障碍环境
----6.2 静态障碍环境
----6.3 5个静态障碍+5个动态障碍环境
----6.4 10个动态障碍环境
7. 完整代码
----7.1 Software
----7.2 Installation
--------7.2.1 解决pointgrey_camera_driver编译不过的问题
8.其他问题
1
前沿
初衷是,在环境不是完全已知的情况下,希望行星车具备一定的自适应能力,应对环境发生的变化。所以,基于深度强化学习(Deep Reinforcement Learning, DRL)理论提出了端到端的路径规划方法,直接从传感器信息映射出动作指令再发布给行星车。同时采用不同的神经网络结构分别处理不同的传感器信息,最后将环境特征融合在一起,构成基于D3QN PER的多传感器行星车路径规划方法。
2
主要研究内容
主要研究内容如图:
技术途径:
3
关于强化学习的一些基础知识,推荐大家去看专栏中关于David Silver课程的笔记:
搬砖的旺财:David Silver 增强学习——笔记合集(持续更新)
https://zhuanlan.zhihu.com/p/50478310
3.1 DQN算法
直接来看DQN的损失函数:
其中, 是目标Q网络,参数为 ,负责生成训练过程中的目标,即目标Q值 ; 是当前Q网络,参数为 ;值得注意的是, 和 的网络结构完全一致。
每训练C步, 将当前Q网络的参数完全复制给目标Q网络,那么,接下来C步参数更新的目标将由更新后的目标Q网络负责提供。
具体的实施步骤请参见上图~
3.2 Double DQN算法
Double DQN算法主要是为了解决DQN算法中严重的过估计问题,它将目标Q值中动作的选择和动作的评估分开,让它们使用不同的Q网络。
先看Double DQN中的目标Q值: 。
当前Q网络负责选择动作,而带有“延迟效应”的目标Q网络用来计目标Q值,具体的实施步骤请参见上图~
3.3 Dueling DQN算法
Dueling DQN相比于DQN在网络结构上做出了改进,在得到中间特征后“兵分两路”,一路预测状态值函数,另一路预测相对优势函数,两个相加才是最终的动作值函数。
3.4 优先经验回放
在DQN中使用经验回放的动机是:作为有监督学习模型,深度神经网络要求数据满足独立同分布假设;但样本来源于连续帧,这与简单的RL问题相比样本的关联性增大了不少。假如没有经验回放,算法在连续一段时间内基本朝着同一个方向做梯度下降,那么在同样的步长下这样直接计算梯度就有可能不收敛。所以经验回放的主要作用是:
克服经验数据的相关性,减少参数更新的方差;
克服非平稳分布问题。
经验回放的做法是从以往的状态转移(经验)中随机采样进行训练,如下图所示,这样操作使得数据利用率高,可以理解为同一个样本被多次使用。
优先经验回放(Prioritized Experience Replay, PER)的思路来源于优先清理(Prioritized sweeping),它以更高的频率回放对学习过程更有用的样本,这里使用TD-error来衡量作用的大小。TD-error的含义是某个动作的估计价值与当前值函数输出的价值之差。TD-error越大,则说明当前值函数的输出越不准确,换而言之,能从该样本中“学到更多”。为了保证TD-error暂时未知的新样本至少被回放一次,将它放在首位,此后,每次都回放TD-error最大的样本。
不过,单独使用TD-error进行PER也存在许多问题。首先,只有被重放样本的TD-error被更新,那么,TD-error较小的样本在第一次被回放后,由于不更新, 它的TD-error会一直被认为很小(其实参数更新后该样本的TD-error可能会变大), 所以该样本很久都不会再重新被回放。再者,对噪声敏感,bootstrapping会进一步加剧这个问题。最后,PER的样本会集中在一个小范围内,多样性的缺失容易导致过拟合。
为了解决上述问题,结合纯粹的贪婪优先和均匀随机采样。确保样本的优先级正比于TD-error,与此同时,确保最低优先级的概率也是非零的。
首先,定义采样经验 的概率为:
其中, 是第 个经验的优先级;指数 决定使用优先级的多少,当 时是均匀随机采样的情况。
具体的,采用成比例的优先(Proportional prioritization),即
其中, 为 TD-error; 是为了防止经验的TD-error为0后不再被回放。在实现时采用二叉树(Sum tree)结构,它的每个叶子节点保存了经验的优先级,父节点存储了叶子节点值的和。这样,头节点的值就是所有叶子结点的总和。采样一个大小为 的minibatch时,范围 被均分为 个小范围,每个小范围均匀采样,这样,各种经验都有可能被采样到。
为了消除由采样带来的偏差,加入重要性采样(Importance-sampling)。重要性采样权重为 。其中, 用于调节偏差程度,因为在学习的初始阶段有偏差是无所谓的,但在后期就要消除偏差。为了归一化重要性采样权重,使 。
来看一下PER和Double DQN结合后的伪代码:
4
环境特征融合方案
4.1 自身状态信息处理方法
自身状态信息的表示方法请参见上图,它可以表示为一个数组 ,其中, 和 为 时刻小车的速度和角速度信息, 和 为 时刻小车相对终点的距离和角度信息。自身状态信息时刻指引着小车向终点移动。
4.2 激光雷达点云信息处理方法
LIDAR产生的点云属于长序列信息,比较难直接拆分成一个个独立的样本来通过CNN进行训练。所以采用LSTM网络来处理LIDAR点云信息,其中cell单元为512个,具体的网络结构如下图所示:
为了方便,控制LIDAR输出的点云信息为360维,更新频率是50赫兹,探测范围为 ,探测距离为 ,单位是米,如下图所示:
4.3 视觉图像信息处理方法
尽管LIDAR擅长测量障碍物的距离和形状,但它实际上并不能用于确定障碍物的类型。计算机视觉可通过分类来完成这项任务, 即给定相机的图像,可以标记图像中的对象。
本文采用CNN处视觉图像信息。输入图像 经过预处理和叠帧(4 帧)后变为 的单通道灰色图。
原始图像和经过预处理后的图像
这里共采用了三个卷积层,它们分别是 conv1、conv2 和 conv3,具体参数如下:
卷积层的输入输出示意图如下:
4.4 环境特征融合方案
5
环境实验
5.1 仿真实验环境的搭建
基于ROS及Gazebo搭建的仿真实验环境的框架如图所示:
基于此,可以改变Gazebo中的仿真环境,例如加入不同的障碍,也可以改变小车搭载的传感器。
关于如何使Gazebo的仿真速度加快 10 倍,请参考:
搬砖的旺财:将Gazebo的仿真速度加快10倍!!!
https://zhuanlan.zhihu.com/p/59702590
5.2 小车的动作空间划分
5.3 算法参数设置
-贪婪法的 参数从初始值1.0开始按照训练步数线性下降 。
很有意思的一件事情,经过测试发现,记忆池的大小和训练步数保持10倍的关系是最好的~
参数按照训练步数线性下降: 。
5.4 奖励函数的设置
6
效果展示
6.1 无障碍环境
6.2 静态障碍环境
6.3 5个静态障碍+5个动态障碍环境
6.4 10个动态障碍环境
视频1:
https://v.qq.com/x/page/g3104n5ortq.html
视频2:
https://v.qq.com/x/page/q3104y6cdjz.html
7
完整代码
请点击:CoderWangcai/DRL_Path_Planning
https://github.com/CoderWangcai/DRL_Path_Planning
7.1 Software
Ubuntu 16.04
ROS Kinect
Python 2.7.12
Tensorflow 1.12.0
7.2 Installation
git clone github.com/CoderWangcai
(PS:这一步请耐心等待,训练好的model比较大~)
cd DRL_Path_Planning
catkin_make
source devel/setup.bash
roslaunch multi_jackal_tutorials ten_jackal_laser_add_apriltag.launch
出现的便是下面的场景:
然后,把DRL_Path_Planning/src/tf_pkg/scripts/D3QN_PER_image_add_sensor_dynamic_10obstacle_world_30m_test.py中的路径补充完整:
# 静态障碍下训练好的模型
self.load_path = '.../jackal/src/tf_pkg/scripts/saved_networks/10_D3QN_PER_image_add_sensor_obstacle_world_30m_2_2019_06_02'
(PS:如果需要运行其他python文件,也请将其中的路径补充完整~)
另起一个终端:
python D3QN_PER_image_add_sensor_dynamic_10obstacle_world_30m_test.py
搞定啦,出现的便是训练好的10个动态障碍环境~
7.2.1 解决pointgrey_camera_driver编译不过的问题
catkin_make可能会遇到关于pointgrey_camera_driver的问题:
解决方法如下:
cd src/
git clone github.com/ros-drivers/
cd ..
catkin_make
编译到上面这里的时候卡住了,没关系,ctrl+c,然后把刚刚Download的pointgrey_camera_driver文件夹删除,因为现在已经生成相关的消息了,它不起作用了。
catkin_make
没问题啦,整个文件夹都编译过了~
交流合作
请加微信号:yan_kylin_phenix,注明姓名+单位+从业方向+地点,非诚勿扰。