狠狠撸

Deep Q-Networkに基づくRCカーの
運転制御学習と報酬設計
Driving Control Learning and Reward Designing
of RC cars Based on Deep Q-Network
北海道大学工学部
情報エレクトロニクス学科情報工学コース
複雑系工学講座調和系工学研究室
小川一太郎
1

研究背景
Deep Q-Network(1
Deep LearningをQ学習に適用したもの
? 先行研究
Preferred Networks” Autonomous robot car control
demonstration in CES2016”(2
? 複数ロボットの学習
? 複雑な環境の学習
1)Volodymyr Mnih, Koray Kavukcuoglu, David Silver,at el,
“Human-level control through deep reinforcement learning” Nature, 14236, pp.529—533
2)Preferred Reserch “CES2016でロボットカーのデモを展示してきました”
https://research.preferred.jp/2016/01/ces2016/
複数のRCカーが衝突しないで走行
指定ルートの走行
2

Deep Q-Networkの応用可能性
?複雑な環境を学習できる
?複数のロボットの動作について学習できる
応用可能性を拡張
－さらに複雑な環境
? 外部からの命令
－同時に複数の問題に対処する必要がある
? 高速な動作を行うロボット
－意思決定に時間がかけることができない
－伝達手段が必要になる
①コース内で安全な走行
②可能な限り速い走行
③交差点でのルート選択
RCカーの運転制御
本研究で取り上げる
3

実環境システム
走行コース
石膏ボード
5. 88 × 7.84?2
使用カメラ
Baumer
VLG24
コースの対角上に二つのカメラを配置
制御用PC
Alienware
仮想的コース
交差点の入換可
OpenCV 画像変換
色領域
抽出射影変換
機体番号,位置,方向
緑,黄の組み合わせ
8cm,8cm,6.5cmの
三角形
位置推定
パーティクルフィルタ
位置,方向を推定
粒子数2000
粒子重み付け：
dx,x座標の観測値との差
dy,y座標の観測値との差
dd,方向の観測値との差
運転制御
1/10RCカー
Raspberrypi3
基盤の作成
PWMでモーター制御
約6.67fpsで動作
w i = exp(?
1
1600
??2
?
1
1600
??2
?
25
4
??2
)
カメラ1撮影範囲
カメラ2撮影範囲
カメラ2位置
4

課題設定
1エピソード：走行開始から
コースアウト、衝突、90秒経過まで
評価指標
1エピソードの走行距離
1エピソードの平均速度
交差点のルート選択正解率
○入力
速度(0~1.5)[m/s]
加速度(-0.5~1.0)[m/?2
]
角速度(-2.6~2.6)[rad/s]
角加速度(-1.3~1.3)[rad/?2
]
過去3ステップのステアリング
過去3ステップのアクセル
方向と目標ルートとの誤差(-π~π)[rad]
コース検知用ライダー(0~4)[m]
他RCカー検知用ライダー(0~4)[m]
○出力
内容ステアリングアクセル
左(大) 左30度 ON
左(中) 左22.5度 ON
左(小) 左7.5度 ON
直進 0度 ON
右(小) 右7.5度 ON
右(中) 右22.5度 ON
右(大) 右30度 ON
停止 0度 OFF
RCカー中心から発するライダー
コース境界検知用(青点)
他RCカー認識用(緑点)
外部からの制御命令
RCカーの進路を決定する
RCカーの方向と
目標ルートとの誤差
θ
入出力の内容を決定し、RCカーの運転制御の評価方法を決定する
5

学習システム
実環境システム
行列計算ライブラリ(TensorFlow)
Deep Q-Networkの実装
1エポック=1千エピソード
ボルツマン分布に従い、
エピソードを選択
分散ファイルシステム(NFS)
ニューラルネット(NN)の
モデルの保存
実機を用いた学習ではエピソードの収集と学習を交互に行うと時間がかかる
別々のコンピュータでエピソードの収集と学習を分離し、同時に行う
学習システム
エピソードの
保存
デスクトップPC
RC R-XG GPU×4 Edition
データベース(MySQL,MySQL workbench)
専用のテーブルを作成
エピソード内容,エピソードの走行時間,ID,実験番号
エピソード内容
ステアリング出力,アクセル出力,予備,予備,コースアウトまたは衝突,交
差点での目標方向,交差点のルート選択,入力
MySQL workbenchによる表示
NNのモデルの更新
6
推論を
行う

Deep Q-Network
使用パラメータ
ドロップアウト率0.5
活性化関数 Relu
最適化方式 RMSProp
Learning Rate 0.000025
Gradient momentum μ 0.95
Target Network 3千回で更新
Q学習にDeep Learningを組み合わせたもの
QテーブルをNNで置き換えることによって多くの状況に対応する
行動決定 ε-greedy ε=0.1
初期化オートエンコーダ
各層200回学習
中
間
層
４
(
２
０
０
)速度
加速度
角速度
角加速度
過去のステアリング(3)
目標方向
コース用ライダー(56)
他RCカー用ライダー(56)
過去のアクセル(3)
入力
中
間
層
１
(
５
０
０
)
中
間
層
２
(
４
０
０
)
中
間
層
３
(
３
０
０
)
NN構成図
中
間
層
５
(
７
０
)
出力
左(大)
左(中)
左(小)
直進
右(小)
右(中)
右(大)
停止
?????? ? ????? ???????? Q?(s,a) = max
?
? ?? + ???+1 + ?2
??+2 + ? ?? = ?, ? ? = ?, ?
???? ???????? ?? ?? = ? ?,?,?,?′ ~?(?)[(? + ? max
?′
? ?′
, ?′
; ??
?
? ?(?, ?; ??))2
]
θ:Q-network paramater
Volodymyr Mnih, Koray Kavukcuoglu, David Silver,at el,
“Human-level control through deep reinforcement learning” Nature, 14236, pp.529--533
7

報酬設定
重み付き報酬和を学習に用いる
Rsum =
R ?????? ??? (コースアウト)
R ??? ????????? (RCカー同士の衝突)
? ????? ? ????? + ?????? ?????? + ??????? ??????? + ? ????? ? ????? (?????????)
? コースアウトの回避
? 他のRCカーとの衝突の回避
? 蛇行運転の回避
? コース中央で走行
R ?????= 1/9 × 9 min (???/)????????,???maxL
?????? ????? = 直前2ステップのハンドル変更回数
R?????? = m?? ?????? ?????, 2
maxL[m]
16?2 + ?2 = 1
16?2
9
+ ?2
= 1
maxL0=0.25
maxL1=0.267
maxL2=0.343
maxL3=0.609
maxL4=1
maxL5=1.276
maxL6=0.849
maxL7=0.731
maxL8=0.75
22.5度
? 停止の回避
R ????? = v
m
s
? 目標ルートに旋回
θ
Rorder =
(1 ?
|?|
20
×
1
15
) (|?| < 20°)
14
15
(1 ?
|?| ? 20
160
) (|?| ≥ 20°)
ルート選択
8
R ?????? ???
R ??? ?????????

予備実験報酬パラメータの探索
要因水準 1 2 3 4
Γ 割引率 0.8 0.85 0.9 0.99
? ????? 50 80 100 150
R ?????? ??? -1 -20 -50 -100
? ????? 30 50 60 80
?????? 0 -30 -50 -70
予備実験コース
実験 γ ? ????? ?course out ? ????? ??????
1 0.8 50 -1 30 0
2 0.8 80 -20 50 -30
3 0.8 100 -50 60 -50
4 0.8 150 -100 80 -70
5 0.85 50 -20 60 -70
6 0.85 80 -1 80 -50
7 0.85 100 -100 30 -30
8 0.85 150 -50 50 0
9 0.9 50 -50 80 -30
10 0.9 80 -100 60 0
11 0.9 100 -1 50 -70
12 0.9 150 -20 30 -50
13 0.99 50 -100 50 -50
14 0.99 80 -50 30 -70
15 0.99 100 -20 80 0
16 0.99 150 -1 60 -30
L16直交表でパラメータ探索調査対象
それぞれ100万エピソード学習
性能評価：20エピソードの速度、走行距離、ルート選択正解率
各水準で平均を求める。
割引率と4つの報酬の重みを調査し、
実験に用いるパラメータを決定する。
単機走行で実験
9

0
0.5
1
1.5
2
2.5
3
3.5
4
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0 5 10 15 20 25 30
速度[m/s]走行距離[m]
ルート選択正解率予備実験結果
A order R course out A speed A lidarγ
進路追従率を重視走行距離を重視
採用水準を用いた報酬和が決定した
Rsum =
?100 (コースアウト)
?200 (RCカー同士の衝突)
50? ????? ? 70?????? ?3??????? +150? ????? (?????????)
10
すべての指標で
最適
走行距離
進路追従率
を重視
走行距離
進路追従率
を重視

カリキュラム学習
段階的に学習内容の難易度をあげる方策
第一段階単機走行
コース上を走行することを学習する
第二段階停止車追加
コース以外の障害物の認識を学習する
第三段階二機走行
実際に走行している他RCカー1台の認識
第四段階四機走行
複数の他RCカーの認識を学習する
カリキュラム学習の段階設定
単機走行
二機走行
Yoshua Bengio, Jerome Louradour, Ronan Collobert, Jason Weston
“Curriculum Learning” ICML '09 Proceedings of the 26th Annual International
Conference on Machine Learning” Pages 41-48
停止車例停止車追加
11
本研究の範囲

0
1
2
3
4
5
6
7
走行距離[m]
0
0.2
0.4
0.6
0.8
1
ルート選択正解率学習実験
?単機走行ではすべての指標で向
上が見られ、正しく学習が進んでい
る。グラフでは伸び代が見られる。
?停止車追加後の走行距離は減少
していることが読み取れる。
?二機走行では全ての指標が減少
している
仮説
走行距離よりもルート選択正解率
優先する運転制御が行われている
0.6
0.7
0.8
0.9
1
1.1
1.2
1.3
0 1000000 2000000 3000000 4000000 5000000
速さ[m/s]
学習回数
近似曲線は累乗近似を採用した
単機走行停止車二機走行
実験
コース
12

実験結果の検証
左(大) 1301.175
左(中) 1288.968
左(小) 1295.663
直進 1202.536
右(小) 1276.650
右(中) 1179.750
右(大) 1287.849
停止 45.140
左方向に進むと停止車と衝突するが、
最大価値の出力が左(大)である
コースアウトによる減点を回避することより
ルート選択報酬を受け取ることを
重視した運転制御を行う事がある
出力(Q)
目標ルート
停止車追加時の最終NNを用いて
出力を調査した
走行車
停
止
車
進
行
方
向
13

まとめと今後の展望
? 単機走行では3つの評価指標について正常に学習が進んでいることが
確認された
? 停止車を追加すると走行距離が増加しない
→ルート選択を重視した運転制御
? 単機の走行のみに適したパラメータになってしまった
→カリキュラム毎に適したパラメータの設定
14

狠狠撸

ogawa_b

Recommended

More Related Content

Similar to ogawa_b (20)

More from harmonylab (20)

Recently uploaded (9)

ogawa_b

Editor's Notes