張哲誠副教授/逢甲大學資訊工程學系
當我們獲得車輛的周圍環境資訊後,要如何控制車子呢?傳統是以基於規則(Rule-based)的方式來設計控制邏輯,但這僅限於簡單的場景,例如:封閉場域或特定場域的運行,因為環境相對單純、簡單,工程師可以設定一些條件來控制車子。但如果是在真實環境的自動駕駛,由於環境太過複雜,無法一次考慮到所有的條件,所以就必須導入人工智慧(Artificial Intelligence,AI)來幫我們開車。
強化學習(Reinforcement learning,RL)是實現人工智慧的一種技術,透過讓演算法不斷與環境互動並從中學習,來優化演算法的行為策略。我們可以想像:強化學習在自動駕駛中,就像是利用賽車電玩的方式,只要不小心撞到或者是違反交通規則,我們就會請車子回到原點重開。經過幾千次、幾萬次的嘗試之後,等到車子能夠完美地開完整個路線,就代表演算法足夠成熟了,接著就能移植到實際的車輛進行實車測試。這種可以在虛擬環境中進行無限測試,成本極低的強化學習,正成為科學家們把自動駕駛實現並普及化的一個希望。
No Comments Yet