摘要：战役级智能体训练系统将智能体训练任务全过程集成在一个完整平台上,使得用户可以快速设计与训练智能体。该系统支持在分场景和分任务阶段中开发面向复杂任务的智能体模型,并提供分布式持续学习、大规模训练和计算存储资源等能力。该系统可为研究人机混合协作及群体智能涌现提供技术平台。

摘要：为了优化插电式混合动力汽车(Plug-in Hybrid Electric Vehicles,PHEV)能量管理策略,提高燃油经济性,提出基于深度强化学习的能量管理策略。通过对整车MATLAB/SimuLink建模,设计随动力电池SOC自适应奖励函数,使用NEDC和FTP-75工况进行智能体训练,在并联混动模式下,以WLTC-class3工况继续进行测试,相比于等效燃油消耗最小策略节省燃油8.63%,且实时性提高16.32倍,验证了该策略的可行性。

摘要：交通指示定位作为无人驾驶领域的一项关键技术,直接影响汽车的行驶安全。采用强化学习算法Q学习(Q-learning),结合卷积神经网络,提出一种用于交通场景中的模型,该模型允许智能体将注意力集中在候选区域,学习简单操作转换边界框以确定目标的正确位置,并在LaRA信号灯数据集上进行评估。结果表明,在所提出的模型指导下,智能体能够在分析图像中区域后检测到交通灯,获得最佳检测结果。

摘要：强化学习是当前人工智能和机器学习研究领域的热门研究方向,通过反复试错和与环境的交互获得策略的改进。UBI车险则是一种基于分析驾驶行为的保险,由车联网和车载OBD设备将驾驶者的驾驶习惯、驾驶数据和车辆周围环境等数据结合起来建立模型进行定价,以规范驾驶者的行为。受以上两种技术的启发,提出一种可应用于智能体训练的环境,以解决规范以及纠正驾驶行为的问题。最后采用Deep Q Network验证了环境的的可行性。实验结果表明,智能体可在该环境中训练,并能学习到面对当前状态所要执行相应的动作。