Path planning using reinforcement learning methods

Abstract

Bu çalışmada birden fazla pekiştirmeli öğrenme yöntemi kullanılarak otonom araçlar için yol planlama yapılmıştır. Pekiştirmeli öğrenme teknikleri otonom kontrol sistemleri için büyük bir alternatif olmuştur. Pekiştirmeli öğrenme ajan için ideal hareketin bulunasını sağlamaktadır. Çalışmanın ilk bölümünde pygame kütüphanesi ile çalışılacak olan çevre oluşturulmuştur. Uygulanan ilk metot q öğrenmesi olmuştur. Q öğrenmesi ayrık durum ve politika uzayında statik çevre için çalışmaktadır. İkinci bölümde Aktör Kritik ve Derin Q öğrenmesi metotları kullanılarak dinamik uzayda çözüm oluşturulmuştur. Üçüncü bölümde gerçek dünyayı daha iyi simüle etmek için çevre gözlemlemede kalman filtresi kullanılmıştır. Gerçek verilerle gözlemlerin oluşturulduğu sonuçlarla karşılaştırılmıştır. Son bölümde tüm yapılan çalışma ve metotlar karşılaştırılmıştır.

In this work, different path planning methods implemented for autonomous vehicle systems. Reinforcement learning methodologies are great alternative for autonomous control systems. Reinforcement learning provides optimum movement for agent. First episode of this study, custom pygame environment was created. Q learning method is developed for static environment. Q learning works only discrete states and actions. Second section of study Dueling Double Deep Q learning method applied to agent in dynamic environment. In the third section in observation of the environment, used Extended Kalman Filter for better simulate the real world and compared with other results that is based observing ground truth. All methods, which applied the problem, compared each other's.