基于残差传感器融合和深度强化学习的自动驾驶
Autonomous Driving using Residual Sensor Fusion and Deep Reinforcement Learning
AI总结：
本文提出将传感器融合与软演员-评论家（SAC）深度强化学习相结合，采用双分支残差融合方法处理图像与跟踪数据，以学习自动驾驶最优控制策略，并通过比较验证了方法的有效性与优越性。
摘要：
本文提出了一种将传感器融合与深度强化学习（具体为软演员-评论家（SAC）算法）相结合的新方法，以开发自动驾驶汽车的最优控制策略。我们的系统采用双分支融合方法处理车辆图像和跟踪传感器数据，利用残差结构和恒等映射的优势来增强智能体训练。通过全面比较，我们证明了信息融合的有效性，并确立了所选算法相对于其他方法的优越性。我们的工作推进了自动驾驶领域的发展，并展示了强化学习在实现智能车辆决策方面的潜力。
英文摘要：
This paper proposes a novel approach by integrating sensor fusion with deep reinforcement learning, specifically the Soft Actor-Critic (SAC) algorithm, to develop an optimal control policy for self-driving cars. Our system employs a two-branch fusion method for vehicle image and tracking sensor data, leveraging the strengths of residual structures and identity mapping to enhance agent training. Through comprehensive comparisons, we demonstrate the efficacy of information fusion and establish the superiority of our selected algorithm over alternative approaches. Our work advances the field of autonomous driving and demonstrates the potential of reinforcement learning in enabling intelligent vehicle decision-making.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
