Στην εργασία αυτή παρουσιάζονται τα θεμελιώδη στοιχεία της Ενισχυτικής Μάθησης, τεχνολογίας της Τεχνητής Νοημοσύνη, αναλύονται οι αλγόριθμοι της Βαθιάς Ενισχυτικής μάθησης και ο τρόπος με τον οποίο χρησιμοποιούνται στην Αυτόνομη Οδήγηση.
Η Βαθιά Ενισχυτική Μάθηση αποτελεί ένα συνεχώς αναπτυσσόμενο ερευνητικό πεδίο και περιλαμβάνεται πλέον σε όλο και περισσότερες εφαρμογές της καθημερινής δραστηριότητάς μας. Μια τέτοια δραστηριότητα είναι και η Αυτόνομη Οδήγηση όπου η Βαθιά Ενισχυτική Μάθησης κατέχει σημαντικό πεδίο της έρευνας. Στην παραγωγική διαδικασία έχουν περάσει εφαρμογές κυρίως υποβοηθούμενης οδήγησης από την Τεχνητή Νοημοσύνη και ίσως τη Βαθιά Ενισχυτική Μάθηση.
Στόχος της εργασίας αυτής είναι η ανάλυση των αλγόριθμων Βαθιάς Ενισχυτικής Μάθησης και η σύγκριση της απόδοσής τους σε δραστηριότητες Αυτόνομης Οδήγησης βάση ενός συγκριτικού πλαισίου. Στο πλαίσιο της εργασίας γίνεται χρήση του προσομοιωτή αυτόνομης οδήγησης CARLA (CAR Learning to Act) για την ανάπτυξη ενός σεναρίου Αυτόνομης Οδήγησης που έχει υλοποιηθεί με τέσσερις βασικούς αλγορίθμους της Βαθιάς Ενισχυτικής Μάθησης ώστε να αξιολογηθεί η απόδοση των αλγορίθμων σε συνθήκες προσομοίωσης.

This thesis presents the fundamental elements of Reinforcement Learning, an Artificial Intelligence technology, analyzes the Deep Reinforcement Learning algorithms, and explains how they are used in Autonomous Driving.
Deep Reinforcement Learning is a constantly developing research field and is now included in more and more applications of our daily activities. One such activity is Autonomous Driving where Deep Reinforcement Learning occupies an important field of research. Vehicles with assisted rather than autonomous driving features have entered the production process so far.
The aim of this work is the analysis of Deep Reinforcement Learning algorithms and the comparison of their performance in Autonomous Driving activities based on a comparative framework. The autonomous driving simulator CARLA (CAR Learning to Act) is used to develop an Autonomous Driving scenario that has been implemented with four basic Deep Reinforcement Learning algorithms to evaluate the performance of the algorithms in simulated conditions.