Autonomous Vehicle using Reinforcement Learning with OpenAI Gym

Der Bedarf an intelligenten Robotern wächst ständig, was sich in immer mehr Bereichen und Gebieten bemerkbar macht. Die Technologie des automatisierten Fahrens ist ein interessantes Thema für intelligente Städte, und fast alle Fahrzeughersteller arbeiten an der Entwicklung des automatisierten Fahrens, um es sicherer zu machen. Automatisiertes Fahren wird in vielen Bereichen benötigt, z. B. im öffentlichen Verkehr, in der Logistik, bei der Auslieferung und bei verschiedenen anderen Routineaufgaben, die ohne menschliches Zutun erledigt werden können. Daher ist automatisiertes Fahren die ideale Lösung, um die Sicherheit im Verkehr zu erhöhen. In dieser Arbeit wurde versucht, das Problem des automatisierten Fahrens mit Hilfe des Algorithmus des maschinellen Lernens (RL) zu lösen. Das Training findet statt, wenn der Agent Aktionen ausführt, für die er entweder belohnt oder bestraft wird. Die Implementierung des Verstärkungsalgorithmus mit dem OpenAI Gym Framework für automatisiertes Fahren lieferte zufriedenstellende Ergebnisse, wobei die Agenten in verschiedenen Umgebungen trainiert wurden. Der Agent ist in der Lage, mit seiner Umgebung zu interagieren, indem er sie mit Hilfe von (in die Umgebung eingebetteten) High-Level-Sensoren beobachtet. Um den Lernprozess zu unterstützen, stehen außerdem mehrere Belohnungsfunktionen zur Verfügung. Diese Arbeit ist als Grundlage für künftige Arbeiten zu betrachten, die darauf abzielen, mehrere Roboter zu automatisieren, anstatt nur einen einzigen in einer anspruchsvolleren Umgebung. The need for smart robots is continuously growing, which becomes more and more evident in an increasing number of areas and fields. Automated driving technology is an interesting subject for smart cities, and almost all vehicle companies are working on developing automated driving to make it safer. Automated driving is required in many areas such as public transportation, logistics, delivery, and various other routine tasks that can be carried out without human involvement. Therefore, automated driving is the ideal solution to enhance safety in traffic. In this thesis, the problem of automated driving was attempted to be solved by using the Machine Learning algorithm of RL. Training occurs as the agent takes actions, upon which it receives either rewards or punishments. Implementing the Reinforcement algorithm with the automated Environment OpenAI Gym framework delivered satisfactory results where the agents were trained in different environments. The agent is capable of interacting with its environment by observing it using high-level sensors (that are embedded) in the environment. To aid the learning process, multiple reward functions are also available. This thesis is to be considered a foundation for future work which aims to automate several robots rather than solely a single one in a more challenging environment.