本文研究了特权强化学习代理与感知运动代理在城市驾驶中的差异，并提出了逐步发展较不特权代理的解决方案。通过在CARLA模拟环境中的评估，强调了状态表示对自动驾驶的重要性，提出了SUGARL框架，利用内在奖励激励感官策略，解决策略间的相互影响问题。此外，研究了通过知识蒸馏和模仿学习提升机器人驾驶能力的方法，展示了在新环境中快速学习操作的潜力。

该研究使用深度学习模型比较了特权强化学习代理和感知运动代理在城市驾驶中的差异，并提出了逐步发展较不特权的强化学习代理的解决方案。研究发现离线数据集上训练的鸟瞰图模型在在线强化学习训练中存在分布不匹配的问题。通过在CARLA模拟环境中进行评估，研究揭示了强化学习中状态表示对自动驾驶的重要性，并指出了未解决的研究挑战。