检索结果-南通市图书馆

检索条件"主题词=智能驾驶决策"

共 1 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于深度强化学习的交叉路口智能驾驶决策算法研究

基于深度强化学习的交叉路口智能驾驶决策算法研究

引用

作者：牟星宇重庆大学

学位级别：硕士

随着现代工业的发展,汽车作为一种便捷的交通工具走进了千家万户。然而汽车的普及也带来了一系列问题,例如频发的交通事故和拥堵的城市交通。智能驾驶有潜力减少由人为因素造成的事故,还可以提高交通效率。因此,近年来随着人工智能的兴... 详细信息

随着现代工业的发展,汽车作为一种便捷的交通工具走进了千家万户。然而汽车的普及也带来了一系列问题,例如频发的交通事故和拥堵的城市交通。智能驾驶有潜力减少由人为因素造成的事故,还可以提高交通效率。因此,近年来随着人工智能的兴起,汽车的智能化越来越受到国家及产业的重视。本文采用深度强化学习算法对智能驾驶决策进行学习。针对非信控交叉路口场景的特征,对深度强化学习算法进行了三点改进,从而提高了算法性能。并在仿真环境中对智能驾驶决策的综合性能、安全性和驾驶效率进行了分析。本文的主要研究工作如下:(1)在开源仿真平台highway＿env中搭建了智能驾驶车辆的非信控交叉路口仿真训练环境。在此基础上,定义了与强化学习相关的智能驾驶车辆的状态表达和动作表达,并设计了奖励函数,以获得期望的驾驶决策性能。(2)针对非信控交叉路口场景复杂多变的特点,对深度强化学习算法中的神经网络进行了改进。引入了注意力机制,并基于场景特点设计了一种新的神经网络——混合注意力神经网络。这种混合注意力神经网络可以根据智能驾驶车辆的自身信息以及周围环境车辆的信息、车辆横摆角信息和其他特征信息来计算注意力权重,从而找到对决策影响更大的环境信息,以更好地做出驾驶行为决策。(3)针对非信控交叉路口场景的多驾驶任务特点,引入了新的状态输入量以表示智能驾驶车辆自身的驾驶意图。驾驶意图用来表示任务完成度并区分三种不同的驾驶任务。这样,智能驾驶车辆可以明确自身驾驶任务及其完成情况,从而更好地根据自身驾驶任务和任务完成度进行相应决策。(4)针对非信控交叉路口场景下初期经验中较高比例的非成功经验的问题,对经验回放池进行了改进。由于场景复杂且难度高,初期训练的非成功经验比例较高,智能驾驶车辆导致容易学到保守策略,陷入局部最优解。将经验回放池拆分为了两个并按经验类型进行分别保存,学习时通过控制两个经验池的抽取比例,降低了未到达且未发生碰撞的经验比例,从而鼓励智能驾驶车辆去学习如何平衡安全性和驾驶效率,并学到安全且尽可能高效的决策。(5)在开源仿真平台highway＿env中进行了算法改进的结果验证。为此,选择了综合性能较好的软行动者-评论家(Soft Actor-Critic,SAC)算法作为基准算法。仿真结果表明,三种改进单独作用于SAC算法都能提高其性能,证明了改进的有效性。进一步对比发现,三种改进共同作用的SAC算法在多种改进的SAC算法中具有最佳综合性能。在各驾驶任务下,该算法表现出最高的平均回报和驾驶效率,并在安全性上和原SAC算法相近,故相较于原SAC算法具有绝对的优势。最后,采用注意力机制可视化方法,对三种改进共同作用的SAC算法的策略进行了具体分析,并将其放入测试的驾驶场景进行了评估。结果表明,该算法表现出了较好的驾驶行为决策能力。

关键词：智能驾驶决策深度强化学习非信控交叉路口

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：