การเรียนรู้การตัดสินใจ / การเสริมกำลังที่ยอดเยี่ยม
นี่คือรายการเอกสารการวิจัยที่ล้ำสมัยที่เกี่ยวข้องกับการตัดสินใจและการวางแผนการเคลื่อนไหว หวังว่ามันจะเป็นประโยชน์สำหรับทั้งด้านวิชาการและอุตสาหกรรม (ยังอัพเดทอยู่)
ผู้ดูแล : Jiachen Li (มหาวิทยาลัยแคลิฟอร์เนีย เบิร์กลีย์)
อีเมล์ : [email protected]
โปรดดึงคำขอเพื่อเพิ่มแหล่งข้อมูลใหม่หรือส่งอีเมลถึงเราเพื่อสอบถาม การสนทนา และการทำงานร่วมกัน
หมายเหตุ : นี่ คือชุดของเอกสารการวิจัยสำหรับการทำนายวิถี (พฤติกรรม) แบบรับรู้ปฏิสัมพันธ์
RL & IRL & เกล
- การเรียนรู้การเสริมกำลังแบบผกผันเอนโทรปีสูงสุด, 2015, [กระดาษ]
- การเรียนรู้ต้นทุนที่แนะนำ: การควบคุมที่เหมาะสมที่สุดแบบผกผันเชิงลึกผ่านการเพิ่มประสิทธิภาพนโยบาย, ICML 2016, [บทความ]
- การเรียนรู้การเลียนแบบฝ่ายตรงข้ามทั่วไป, NIPS 2016, [กระดาษ]
- การเชื่อมต่อระหว่างเครือข่ายปฏิปักษ์ทั่วไป การเรียนรู้การเสริมกำลังแบบผกผัน และแบบจำลองที่ใช้พลังงาน, NIPS 2016, [กระดาษ]
- InfoGAIL: การเรียนรู้การเลียนแบบที่ตีความได้จากการสาธิตด้วยภาพ, NIPS 2017, [กระดาษ] [รหัส]
- การเรียนรู้แบบเลียนแบบตนเอง, ICML 2018, [กระดาษ] [รหัส]
- การเรียนรู้การเสริมแรงแบบลำดับชั้นอย่างมีประสิทธิภาพด้วยข้อมูล, NIPS 2018, [กระดาษ]
- การเรียนรู้รางวัลอันแข็งแกร่งด้วยการเรียนรู้การเสริมกำลังแบบผกผันของฝ่ายตรงข้าม, ICLR 2018, [กระดาษ]
- การเรียนรู้การเลียนแบบฝ่ายตรงข้ามแบบหลายตัวแทน, ICLR 2018, [กระดาษ]
- การเรียนรู้การเสริมกำลังแบบผกผันของฝ่ายตรงข้ามหลายตัวแทน, ICML 2019, [กระดาษ]
การขับขี่แบบอัตโนมัติ
- การสำรวจแอปพลิเคชันการเรียนรู้เชิงลึกเพื่อการควบคุมยานพาหนะอัตโนมัติ ธุรกรรม IEEE บน ITS 2019 [เอกสาร]
- การเลียนแบบพฤติกรรมของผู้ขับขี่ด้วย Generative Adversarial Networks, IV 2017, [กระดาษ] [รหัส]
- การเรียนรู้การเลียนแบบหลายตัวแทนสำหรับการจำลองการขับขี่, IROS 2018, [กระดาษ] [รหัส]
- การจำลองคุณสมบัติฉุกเฉินของพฤติกรรมการขับขี่ของมนุษย์โดยใช้ Multi-Agent Reward Augmented Imitation Learning, ICRA 2019, [กระดาษ] [รหัส]
- การเรียนรู้จากการสาธิตในป่า ICRA 2018, [กระดาษ]
- การขับขี่อัตโนมัติที่เชื่อมต่อหลายตัวแทนโดยใช้การเรียนรู้การเสริมกำลังเชิงลึก, NeurIPS 2019, [กระดาษ] [รหัส]
- การเรียนรู้การเสริมกำลังเชิงลึกแบบไร้แบบจำลองสำหรับการขับขี่อัตโนมัติในเมือง, ITSC 2019, [กระดาษ]
- การขับขี่แบบครบวงจรผ่านการเรียนรู้การเลียนแบบแบบมีเงื่อนไข, ICRA 2018, [กระดาษ]
- CIRL: การเรียนรู้การเสริมแรงเลียนแบบที่ควบคุมได้สำหรับการขับขี่ด้วยตนเองด้วยการมองเห็น, ECCV 2018, [กระดาษ] [รหัส]
- แนวทางการเรียนรู้แบบเสริมกำลังสำหรับการเปลี่ยนเลนอัตโนมัติ, IV 2018, [กระดาษ]
- การเรียนรู้การเสริมกำลังแบบผกผันของฝ่ายตรงข้ามเพื่อการตัดสินใจในการขับขี่อัตโนมัติ, ICRA 2020, [กระดาษ]
- การเรียนรู้การเสริมกำลังแบบลำดับชั้นเชิงลึกสำหรับการขับขี่อัตโนมัติด้วยพฤติกรรมที่แตกต่างกัน, IV 2018, [บทความ]
- สถาปัตยกรรมแบบลำดับชั้นสำหรับการตัดสินใจตามลำดับในการขับขี่อัตโนมัติโดยใช้การเรียนรู้แบบเสริมกำลังเชิงลึก, ICML 2019, [บทความ]
- ผู้วางแผนการเคลื่อนไหวระบบประสาทที่ตีความได้จากต้นทางถึงปลายทาง, CVPR 2019, [กระดาษ]
- พฤติกรรมการเรียนรู้ร่วมกันและการวางแผนวิถีสำหรับยานพาหนะที่ขับเคลื่อนด้วยตนเอง, IROS 2019, [กระดาษ]
- การป้อนข้อมูลแบบไดนามิกสำหรับการเรียนรู้การเสริมกำลังเชิงลึกในการขับขี่อัตโนมัติ, IROS 2019, [กระดาษ]
- การเรียนรู้การนำทางในเมืองโดยไม่มีแผนที่, NIPS 2018, [กระดาษ]
- การทดสอบยานพาหนะอัตโนมัติแบบ end-to-end ที่ปรับขนาดได้ผ่านการจำลองเหตุการณ์ที่หายาก, NIPS 2018, [บทความ]
- สู่การเรียนรู้การเจรจาหลายตัวแทนผ่านการเล่นด้วยตนเอง, ICCV 2019, [กระดาษ]
เครื่องจำลองและชุดข้อมูล
- CARLA: เครื่องจำลองการขับขี่ในเมืองแบบเปิด [กระดาษ]
- TORCS: เครื่องจำลองการแข่งรถแบบเปิด [กระดาษ]
- Comma.ai: การเรียนรู้เครื่องจำลองการขับขี่ [กระดาษ]
- NGSIM: ชุดข้อมูล US Highway 101 [เอกสาร]
