What question did this study set out to answer?

This research aims to enhance adaptation in autonomous driving systems using continual reinforcement learning algorithms.

April 25, 2026

A Design of a CaSSLe-Based Offline Continual Reinforcement Learning Model in Autonomous Driving Edge Devices

Key Points

This research aims to enhance adaptation in autonomous driving systems using continual reinforcement learning algorithms.
Introduced the CaSSLe algorithm for continual learning to a Double DQN model.
Developed AP-CaSSLe for dynamic adjustment of data augmentation strength.
Compared AP-CaSSLe's performance with standard Double DQN in edge device environments.
AP-CaSSLe achieved an accuracy improvement of 58.9% over the standard Double DQN.
Indicates a significant performance enhancement potential in autonomous driving edge applications.

Abstract

안전성과 실시간성이 요구되는 자율주행 엣지 디바이스에서 강화학습을 적용하려는 시도가 활발히 이루어지고 있다. 본 연구에서는 강화학습 Double DQN에 연속학습 알고리즘 중 하나인 CaSSLe(Continual Self Supervised Learning) 알고리즘을 도입하여, 새로운 상황에 대한 적응 능력을 향상시키고자 하였다. 또한 입력 데이터의 증강 강도를 동적으로 조절하는 AP-CaSSLe(Adaptive Progressive-Continual Self Supervised Learning) 알고리즘을 제안하였다. AP-CaSSLe 알고리즘은 연속학습을 적용하지 않은 Double DQN 대비 정확도가 58.9% 향상되었으며, 이는 자율주행 엣지 환경에서의 성능 개선 가능성을 시사한다.

Bookmark

A Design of a CaSSLe-Based Offline Continual Reinforcement Learning Model in Autonomous Driving Edge Devices

Key Points

Abstract

Cite This Study