Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Kongresse
Themenseiten
Künstliche Intelligenz Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Veranstaltungskalender Awards MyNewsletter Firmensuche
Kunden Login
Über Einzelzugang informieren
Über Unternehmenszugang informieren
Referenzkunden
Zukunftswerkstatt Sales Excellence 2025 | 08. Mai 2025

KI als Booster im Vertrieb

Lernen Sie von Digital-Experten, wie der gezielte Einsatz von KI-Unterstützung Ihrem Unternehmen in vielen Bereichen hilft, im Vertrieb einen Schritt voraus zu sein. Jetzt wieder live vor Ort teilnehmen in Frankfurt am Main!
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Kapitel lesen Erstes Kapitel lesen

2024 | OriginalPaper | Buchkapitel

Non-linear Reward Deep Q Networks for Smooth Action in a Car Game

verfasst von : Mohammad Iqbal, Achmad Afandy, Nurul Hidayat

Erschienen in: Applied and Computational Mathematics

Verlag: Springer Nature Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Das Kapitel befasst sich mit der Anwendung von Deep Arcement Learning (DRL) in einem Autorennspiel-Simulator, wobei der Schwerpunkt auf der Optimierung der Fahrzeugbewegungen liegt. Es führt nichtlineare Belohnungsfunktionen ein, um das Problem des unlogischen und aggressiven Fahrverhaltens zu lösen, das in traditionellen Tagfahrlicht-Modellen beobachtet wird. Die Autoren schlagen eine neuartige Belohnungsfunktion vor, die entfernungsbasierte Grid-Informationen einbezieht, um die Glätte von Aktionen im Auto zu kontrollieren. Das Kapitel diskutiert auch die Integration dieser Belohnungsfunktionen mit Deep Q Networks (DQNs) und Double DQNs und demonstriert verbesserte Leistung und sicherere Fahrstrategien. Durch umfangreiche Experimente und Vergleiche zeigen die Autoren die Effektivität ihres Ansatzes, Crashs zu reduzieren und das Fahrerlebnis in der simulierten Umgebung insgesamt zu verbessern.
KI-Generiert

Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel A Trustworthiness Scoring Model for Reviews Using a Graph Structure
Nächstes Kapitel College Student Activity Recognition from Smartwatch Dataset
Fußnoten
Literatur
1.
Busoniu, L., Babuska, R., De Schutter, B., Ernst, D.: Reinforcement Learning and Dynamic Programming Using Function Approximators. CRC Press (2017)
2.
Dai, B., Shaw, A., Li, L., Xiao, L., He, N., Liu, Z., Chen, J., Song, L.: SBEED: Convergent reinforcement learning with nonlinear function approximation. In: Dy, J., Krause, A. (eds.) Proceedings of the 35th International Conference on Machine Learning. Proceedings of Machine Learning Research, vol. 80, pp. 1125–1134. PMLR, 10–15 Jul 2018. https://​proceedings.​mlr.​press/​v80/​dai18c.​html
3.
Dlugosz, Z., Dlugosz, R.: Nonlinear activation functions for artificial neural networks realized in hardware. In: 2018 25th International Conference Mixed Design of Integrated Circuits and System (MIXDES), pp. 381–384 (2018)
4.
5.
6.
Hasselt, H.V., Guez, A., Silver, D.: Deep reinforcement learning with double q-learning. In: Proceedings of the Thirtieth AAAI Conference on Artificial Intelligence (AAAI’16), pp. 2094–2100. AAAI Press (2016)
7.
8.
Kiran, B.R., Sobh, I., Talpaert, V., Mannion, P., Sallab, A.A.A., Yogamani, S., Pérez, P.: Deep reinforcement learning for autonomous driving: a survey. IEEE Trans. Intell. Transp. Syst. 23(6), 4909–4926 (2022)CrossRef
9.
Lin, C.C., Deng, D.J., Chih, Y.L., Chiu, H.T.: Smart manufacturing scheduling with edge computing using multiclass deep q network. IEEE Trans. Industr. Inf. 15(7), 4276–4284 (2019)CrossRef
10.
Mnih, V., Kavukcuoglu, K., Silver, D., Graves, A., Antonoglou, I., Wierstra, D., Riedmiller, M.: Playing atari with deep reinforcement learning (2013)
11.
Mnih, V., Kavukcuoglu, K., Silver, D., Rusu, A.A., Veness, J., Bellemare, M.G., Graves, A., Riedmiller, M., Fidjeland, A.K., Ostrovski, G., et al.: Human-level control through deep reinforcement learning. Nature 518(7540), 529–533 (2015)
12.
Moghadam, M., Elkaim, G.H.: A hierarchical architecture for sequential decision-making in autonomous driving using deep reinforcement learning (2019). Preprint at arXiv:​1906.​08464
13.
Watkins, C.J., Dayan, P.: Q-learning. Mach. Learn. 8(3–4), 279–292 (1992)
Metadaten
Titel
Non-linear Reward Deep Q Networks for Smooth Action in a Car Game
verfasst von
Mohammad Iqbal
Achmad Afandy
Nurul Hidayat
Copyright-Jahr
2024
Verlag
Springer Nature Singapore
Buch
Applied and Computational Mathematics

Print ISBN: 978-981-9721-35-1

Electronic ISBN: 978-981-9721-36-8

Copyright-Jahr: 2024

DOI
https://doi.org/10.1007/978-981-97-2136-8_19

Premium Partner

    Marktübersichten

    Die im Laufe eines Jahres in der „adhäsion“ veröffentlichten Marktübersichten helfen Anwendern verschiedenster Branchen, sich einen gezielten Überblick über Lieferantenangebote zu verschaffen. 

    Zur Marktübersicht
    Bildnachweise