Comparative Analysis of Reinforcement Learning Algorithms for Autonomous Driving in Simulated 2D Environments: Optimizing Reward Functions and Hyperparameters

Dieses Kapitel befasst sich mit der vergleichenden Analyse von Verstärkungslernalgorithmen, insbesondere Proximal Policy Optimization (PPO) und Deep Q-Network (DQN), zur Ausbildung autonomer Fahragenten in simulierten 2D-Umgebungen. Die Studie untersucht die Optimierung von Belohnungsfunktionen und Hyperparametern, um die Navigation und die Vermeidung von Hindernissen zu verbessern. Schlüsselthemen sind der Einfluss von Frame Stacking auf die Leistung von Agenten, die Effektivität des Lehrplans bei der allmählich zunehmenden Komplexität der Aufgaben und der Einfluss unterschiedlicher Belohnungsstrukturen und Strafen auf die Lernergebnisse. Die Ergebnisse zeigen, dass DQN in den in dieser Studie verwendeten Diskrete-Action-Umgebungen durchweg besser abschneidet als PPO, insbesondere wenn es durch Frame Stacking verstärkt wird. Die Analyse unterstreicht auch die Bedeutung der Anpassung von Trainingsstrategien und Belohnungsfunktionen an spezifische Aufgaben und liefert wertvolle Erkenntnisse für die zukünftige Forschung im Bereich autonomes Fahren und verstärktes Lernen.