Méthodologie de fusion de capteurs multi-agents utilisant l'apprentissage par renforcement profond : des capteurs de véhicule à la localisation

Malgré des avancées majeures récentes dans la conduite autonome, plusieurs défis subsistent. Même avec des capteurs avancés modernes et des systèmes de traitement, les véhicules ne sont toujours pas en mesure de détecter tous les obstacles possibles présents dans des environnements urbains complexes et sous diverses conditions environnementales. En conséquence, de nombreuses études ont examiné les méthodes d'intelligence artificielle pour améliorer les capacités de perception des véhicules. Cet article présente une nouvelle méthodologie utilisant un cadre nommé CarAware, qui fusionne plusieurs types de données de capteurs pour prédire les positions des véhicules en utilisant l'apprentissage par renforcement profond (DRL). Contrairement aux applications DRL traditionnelles centrées sur le contrôle, cette approche se concentre sur la perception. Comme étude de cas, l'algorithme PPO a été utilisé pour former et évaluer l'efficacité de cette méthodologie.