循环网络不必再训练:冻结记忆在延迟256步仍能回忆,可训练参数少一半
在部分可观测强化学习中,把循环记忆模块的权重冻结、只训练输出与混合层,仍能在延迟回忆、离散与连续控制以及像素任务上取得与全量训练相当的控制表现,同时把可训练参数减少一半以上。
在部分可观测强化学习中,把循环记忆模块的权重冻结、只训练输出与混合层,仍能在延迟回忆、离散与连续控制以及像素任务上取得与全量训练相当的控制表现,同时把可训练参数减少一半以上。
该工作将行人—车辆交互定义为一个带有理论依据的感知、认知与运动约束的部分可观测马尔可夫决策过程(POMDP),在模拟器中用深度强化学习配合域随机化训练,使学习到的策略在包含多车道、密集车流和危险驾驶风格的复杂场景中表现出类人行为,并复现了迄今最广范围的行人过街实证发现,包括间隙接受、让行接受、犹豫和规避性速度调整;学习到的策略还能迁移到未见过的交通环境,并可通过微调适配本地交通规范。
已读完全部报道