检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

风险水平与风险源类型对驾驶决策的影响

人类工效学 2024年第1期30卷 28-33页

作者：张晓颖常若松灿雅雯隋雪广州大学教育学院心理系广州510006 辽宁师范大学心理学院辽宁大连116029

目的考察风险水平(高、低)与风险源类型(机动车、行人)对驾驶决策的影响以及驾驶员的眼动搜索模式.方法向41 名驾驶员展示具有不同风险水平的交通图片,要求驾驶员做出是否减速的决策,采用Eye Link 1000 Plus眼动仪记录驾驶决策、反应... 详细信息

目的考察风险水平(高、低)与风险源类型(机动车、行人)对驾驶决策的影响以及驾驶员的眼动搜索模式.方法向41 名驾驶员展示具有不同风险水平的交通图片,要求驾驶员做出是否减速的决策,采用Eye Link 1000 Plus眼动仪记录驾驶决策、反应时和眼动情况.结果低风险情境下,驾驶员对行人风险的减速决策显著多于机动车风险,驾驶员对行人风险的总注视时间和凝视时间都显著短于机动车,注视次数显著少于机动车;高风险情境下,驾驶员对行人风险和机动车风险的减速决策无显著差异,驾驶员对行人风险的总注视时间和凝视时间显著长于机动车.结论驾驶员对潜在行人风险的视觉加工更高效,驾驶决策更谨慎.本研究为制定符合驾驶员驾驶习惯的交通规则提供了借鉴与参考.

关键词：交通安全工程驾驶行为交通心理驾驶决策风险水平风险源类型视觉注意模式事故预防

自动驾驶车辆在无信号交叉口右转驾驶决策技术研究

在线全文

学校读者我要写书评

暂无评论

计算机应用研究 2023年第5期40卷 1468-1472页

作者：王曙燕万顷田西安邮电大学计算机学院西安710121

利用深度强化学习(deep reinforcement learning, DRL)技术实现自动驾驶决策已成为国内外研究热点,现有研究中的车辆交通流缺乏随机性与真实性,同时自动驾驶车辆在环境中的有效探索具有局限性。因此利用TD3算法进行自动驾驶车辆在无信... 详细信息

利用深度强化学习(deep reinforcement learning, DRL)技术实现自动驾驶决策已成为国内外研究热点,现有研究中的车辆交通流缺乏随机性与真实性,同时自动驾驶车辆在环境中的有效探索具有局限性。因此利用TD3算法进行自动驾驶车辆在无信号交叉口下的右转驾驶决策研究,首先在Carla仿真平台中开发无信号交叉口的训练与测试场景,并添加交通流管理功能,提高系统训练和测试随机性。其次,为了提高自动驾驶车辆的探索性,对TD3算法中的Actor网络进行改进,为目标动作添加OU噪声。最后使用通行成功率和平均通行时间评估指标评价自动驾驶行为决策。结果表明,在不同交通流场景下,改进后的TD3算法通行成功率与基于DDPG算法控制的车辆相比平均提升6.2%,与基于规则的AEB模型相比平均提升23%。改进后的TD3算法不仅能够探索更多可能,而且其通行决策表现更加突出。

关键词：深度强化学习自动驾驶无信号交叉口驾驶决策奖励函数

在线全文

学校读者我要写书评

暂无评论

环岛环境下的深度强化学习自动驾驶决策研究

环岛环境下的深度强化学习自动驾驶决策研究

作者：石裕康吉林大学

学位级别：硕士

随着计算机技术的快速发展,自动驾驶已成为汽车领域发展的主流方向,而决策规划则是其中的关键技术之一。如何保证车辆在高度交互的城市场景(例如环岛、十字路口等)中的安全性,成为自动驾驶技术发展中的重要课题。相对于需要特定场景特... 详细信息

随着计算机技术的快速发展,自动驾驶已成为汽车领域发展的主流方向,而决策规划则是其中的关键技术之一。如何保证车辆在高度交互的城市场景(例如环岛、十字路口等)中的安全性,成为自动驾驶技术发展中的重要课题。相对于需要特定场景特定设计的规则方法,深度强化学习(Deep Reinforcement Learning,DRL)算法具有较大优势。DRL避免了繁重的算法设计过程,且性能可通过不断训练得到提升。本文旨在将深度强化学习应用于自动驾驶环岛决策场景,以研究智能车在复杂场景下的决策问题。本文首先介绍了强化学习相关知识,包括基础概念、深度强化学习算法和离线强化学习算法等。然后分析了环岛决策的特殊性,包括环岛驶入、环岛内行驶和环岛驶出等阶段。同时,介绍了Carla仿真器,并结合强化学习gym框架搭建了强化学习训练环境。之后,使用A(9))算法规划了全局路径,并设计了基于二次优化原理的离散点平滑算法,将平滑后的路径作为后续仿真的导航路径。接着,针对环岛驾驶特点,设计了包括基于深度强化学习、基于规则和基于两者融合的决策算法。基于深度强化学习的决策算法,采用了软演员-评论家(Soft Actor-Critic,SAC)算法作为基础算法,并将双时间尺度更新规则(Two Time Scale Update Rule,TTUR)和优先经验回放(Prioritized Experience Replay,PER)算法融合到了SAC算法中,提出了TUPE-SAC算法,并对算法更新流程和网络架构进行了设计。同时,针对环岛驾驶的不同阶段分别设计了状态空间;在动作设计中将制动和油门合并为加速度控制,并采用跳帧来简化决策难度;依据期望的车辆驾驶行为和环岛特性设计了奖励函数。在最后一章中进行了上述算法的仿真训练和验证。结果表明,TUPE-SAC算法的训练速度相较于SAC等算法有不错的提升,并在验证阶段获得了最优的驾驶安全性、较优的驾驶平顺性和驾驶效率。本文中,规则决策被分为纵向决策和横向决策。纵向决策在环岛内需同时控制速度和转向。其中,速度由按照环岛驶入的特点进行改进的智能驾驶员模型(Intelligent Driver Model,IDM)控制,转向由纯跟踪模型控制,最后两者通过PID反馈进行输出。横向决策即为换道决策,采用了换道引起的最小制动模型(Minimizing Overall Breaking Induced by Lane Changes,MOBIL)来识别换道意图,并采用五次多项式曲线来生成换道轨迹。为了进一步提高决策的安全性,提出了融合决策框架,并使用隐式Q学习(Implicit Q-Learning,IQL)来对不同的策略进行评估。为了提高评估的准确性,采用不同的轨迹集来对IQL算法进行训练并测试。测试结果表明,基于混合轨迹集的IQL算法在各IQL算法中具有最好的性能,并用于后续的融合决策中。最后,进行融合决策的仿真实验。基于训练完备的TUPE-SAC算法、规则决策和IQL算法提出了LF-SAC-Rule和LF-SAC-IQL两种轻融合(Light Fusion,LF)决策算法。仿真结果表明LF-SAC-IQL获得了稍优的驾驶安全性。之后,为了提高算法训练过程中安全性,提出了基于重融合(Re-Fusion,RF)框架的RF-SAC-IQL算法,并在仿真环境中进行了训练和验证。结果表明,重融合框架能在DRL的动作探索阶段大幅度减少危险动作的输出,保证了车辆训练过程中的安全性,降低了训练成本。在最后的测试中也获得了更优的安全性、驾驶效率和驾驶平顺性。

关键词：驾驶决策环岛工况 SAC决策算法规则决策 IQL评估算法融合决策框架

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

基于深度强化学习的无人驾驶决策研究

基于深度强化学习的无人驾驶决策研究

作者：王一权天津理工大学

学位级别：硕士

无人驾驶涉及感知、决策、控制、通信等多方面技术,是目前学术研究的热点。作为未来交通的发展方向,无人驾驶可以保证交通安全,提高通行效率,减少空气污染,为社会带来极大的经济效益。驾驶决策是实现安全、高效、和谐驾驶行为的关键,而... 详细信息

无人驾驶涉及感知、决策、控制、通信等多方面技术,是目前学术研究的热点。作为未来交通的发展方向,无人驾驶可以保证交通安全,提高通行效率,减少空气污染,为社会带来极大的经济效益。驾驶决策是实现安全、高效、和谐驾驶行为的关键,而在复杂多变的场景下学习最优决策是无人驾驶领域一直面临的挑战。强化学习作为人工智能领域研究的前沿方向,是解决无人驾驶决策控制问题的有效方法,但在样本学习效率、多场景学习能力和多智能体协作等方面有着更高的需求,也是目前面临的难点问题。为此,本文基于深度强化学习,进行了无人驾驶决策方面的研究,主要包括以下几点:第一,深入研究了无人驾驶行为决策算法,针对传统深度强化学习算法存在的学习效率低的问题,本文提出了融合不同动作空间输出的TD3WD(Twin Delayed Deep Deterministic Policy Gradient with Discrete)算法,提高了智能体的探索效率。利用预训练的网络提取图像特征代替原始图像作为状态输入,降低了强化学习训练过程中的计算成本。第二,针对多场景下的驾驶任务学习,设计了一种基于层次强化学习的行为决策方法,对子任务进行分类并对各子任务模型进行设计。同时,为了提高子任务的训练速度和收敛后性能,提出一种课程学习的方法分阶段学习,提高了模型的学习效率和收敛后的性能。第三,针对多车协同的驾驶任务学习,设计了一种基于MADDPG算法的多智能体协同决策方法,在决策时考虑各智能体之间的信息交流,通过实验表明多智能体强化学习方法可以有效提高决策的稳定性。第四,针对算法的实车部署,将仿真中训练收敛的模型迁移到实车上进行测试,验证了强化学习算法的有效性。

关键词：无人驾驶强化学习驾驶决策动作空间多智能体

基于深度强化学习的自动驾驶匝道汇入决策研究

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

基于深度强化学习的自动驾驶匝道汇入决策研究

作者：鲁子洋吉林大学

学位级别：硕士

随着自动驾驶技术的不断成熟,如何使自动驾驶车辆能够在复杂场景中安全稳定地行驶是目前需要解决的关键问题,入口匝道作为道路上常见和重要的路段,确保自动驾驶车辆能够在该路段中合理地行驶对于提升道路整体的安全性具有重要的作用。... 详细信息

随着自动驾驶技术的不断成熟,如何使自动驾驶车辆能够在复杂场景中安全稳定地行驶是目前需要解决的关键问题,入口匝道作为道路上常见和重要的路段,确保自动驾驶车辆能够在该路段中合理地行驶对于提升道路整体的安全性具有重要的作用。在完成自动驾驶匝道汇入的过程中,基于规则的方法往往会存在适用场景较为单一等问题,而深度强化学习方法则能够通过不断学习从而在复杂动态场景下具有更加优异的表现,因此本文基于深度强化学习方法对自动驾驶车辆完成匝道汇入过程中的决策行为进行了研究。具体研究内容如下:(1)分别基于深度Q网络算法、深度确定性策略梯度算法这两种强化学习算法来建立自动驾驶匝道汇入决策模型,在状态空间中包含了对自车和周围车辆运动状态的观测值;针对自动驾驶过程中需要满足的安全、高效、舒适等多优化目标,从安全性、效率性、舒适性方面对两种决策模型中的奖励函数进行了设计。然后使用SUMO仿真软件搭建了自动驾驶匝道汇入场景,对建立的两种匝道汇入决策模型进行了训练和验证分析,最后从自车完成匝道汇入过程中获得的总平均奖励值和稳定性、效率性、舒适性、现实意义等多方面对两种模型进行了综合对比和分析,结果表明基于深度确定性策略梯度算法建立的自动驾驶匝道汇入决策模型的综合性能更加优异,同时也更加具有现实意义。(2)通过建立智能驾驶员模型并对模型中的参数进行调整,从而对主道上周围车辆激进型、保守型两种不同的驾驶风格进行表征。根据不同驾驶风格的自车对行驶过程中的效率性、舒适性、安全距离等追求不一致的情况,通过对奖励函数中舒适性权值参数、效率性权值参数和期望安全距离等参数进行调整,从而建立了匝道上激进型、保守型两种不同驾驶风格的自动驾驶匝道汇入决策模型。对每种模型都在主道上不同驾驶风格周围车辆的场景下进行了模型的训练和验证,并对验证结果进行了对比分析。得出的结果包括当主道上为激进型驾驶风格的周围车辆时,两种不同驾驶风格的匝道汇入决策模型在交汇区域都会有更频繁的加速度变化和更高的速度,以寻找合适的汇入时机等。同时保守型驾驶风格的匝道汇入决策模型会有更低的平均绝对jerk值,表明保守型驾驶风格自车的加速度变化更小、舒适性更高。综合所有的结果来看,建立的两种不同驾驶风格的自动驾驶匝道汇入决策模型都能够实现自车对行驶目标的不同追求。(3)主道上不同的交通流密度可能会对自动驾驶车辆完成匝道汇入任务的表现产生影响,因此建立了考虑交通流密度的自动驾驶匝道汇入决策模型,并对模型进行了训练,然后在不同密度交通流下对自车完成匝道汇入任务的表现进行了验证和对比分析。结果包括在一定范围内随着交通流密度的不断降低,自车在整个行驶过程和交汇区域中的平均速度会逐渐提高、平均汇入时间会逐渐缩短,表明自车的行驶效率会逐渐提高等。

关键词：自动驾驶驾驶决策匝道汇入强化学习深度确定性策略梯度

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

基于路侧标识的有轨电车交叉口制动引导方法

系统仿真学报 2024年

作者：童文聪滕靖李君羡姚幸张中杰上海市城市建设设计研究总院上海市轨道交通结构耐久与系统安全重点实验室上海市多网多模式轨道交通协同创新中心同济大学交通运输工程学院

受信号控制和安全限速的影响，有轨电车在交叉口需要频繁制动。由于距离判断的不准确，有轨电车司机倾向于在交叉口预留一定冗余制动距离，以较低的制动系数制动，导致运行车速的下降。为减少冗余制动距离，提高车速，提出一种基于路侧... 详细信息

受信号控制和安全限速的影响，有轨电车在交叉口需要频繁制动。由于距离判断的不准确，有轨电车司机倾向于在交叉口预留一定冗余制动距离，以较低的制动系数制动，导致运行车速的下降。为减少冗余制动距离，提高车速，提出一种基于路侧固定标识的有轨电车交叉口制动引导方法，通过轨旁固定标识标记有轨电车起始制动位置和速度，从而引导司机以最短制动距离进行制动。为验证方法的有效性，开发了基于车辆动力学模型的有轨电车驾驶模拟系统，并基于VISSIM软件实现仿真场景的创建。驾驶模拟实验表明，该方法规范了司机的制动行为，提高了制动效率并减少了制动操作的随机性，对提高有轨电车的运行速度，改善运行时间的稳定性具有正面效用。

关键词：有轨电车制动效率车速引导驾驶模拟驾驶决策

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于深度强化学习的无信号灯路口决策研究

计算机工程 2024年第5期50卷 91-99页

作者：傅明建郭福强福州大学计算机与大数据学院福建福州350108

无信号灯左转路口是自动驾驶场景中最为危险的场景之一,如何实现高效安全的左转决策是自动驾驶领域的重大难题。深度强化学习(DRL)算法在自动驾驶决策领域具有广阔应用前景。但是,深度强化学习在自动驾驶场景中存在样本效率低、奖励函... 详细信息

无信号灯左转路口是自动驾驶场景中最为危险的场景之一,如何实现高效安全的左转决策是自动驾驶领域的重大难题。深度强化学习(DRL)算法在自动驾驶决策领域具有广阔应用前景。但是,深度强化学习在自动驾驶场景中存在样本效率低、奖励函数设计困难等问题。提出一种基于专家先验的深度强化学习算法(CBAMBC SAC)来解决上述问题。首先,利用SMARTS仿真平台获得专家先验知识;然后,使用通道-空间注意力机制(CBAM)改进行为克隆(BC)方法,在专家先验知识的基础上预训练模仿专家策略;最后,使用模仿专家策略指导深度强化学习算法的学习过程,并在无信号灯路口左转决策中进行验证。实验结果表明,基于专家先验的DRL算法比传统的DRL算法更具优势,不仅可以免去人为设置奖励函数的工作量,而且可以显著提高样本效率从而获得更优性能。在无信号灯路口左转场景下,CBAM-BC SAC算法与传统DRL算法(SAC)、基于传统行为克隆的DRL算法(BC SAC)相比,平均通行成功率分别提高了14.2和2.2个百分点。

关键词：深度强化学习自动驾驶模仿学习行为克隆驾驶决策

基于参数描述的换道场景自动驾驶精确决策学习

在线全文

学校读者我要写书评

暂无评论

同济大学学报（自然科学版） 2021年第S1期49卷 132-140页

作者：张羽翔何钢磊李鑫刘奇芳丛岩峰王玉海吉林大学汽车仿真与控制国家重点实验室长春130022

为提高车辆驾驶安全性并充分考虑人类驾驶员对于自动驾驶控制系统的接受度,研究并实现了自动驾驶车辆在换道场景下的精确决策学习。汽车自动驾驶不仅需要决策是否换道,还需要决定汽车的具体微观行为,如换道时间和期望加速度的确定等,因... 详细信息

为提高车辆驾驶安全性并充分考虑人类驾驶员对于自动驾驶控制系统的接受度,研究并实现了自动驾驶车辆在换道场景下的精确决策学习。汽车自动驾驶不仅需要决策是否换道,还需要决定汽车的具体微观行为,如换道时间和期望加速度的确定等,因此,车道变换的精确决策需使用3个参数来描述,并需要通过强化学习求解。这种基于参数精确决策的合理性体现在两个方面:首先是不同的决策参数值会影响规划的轨迹,如果决策不精确,将产生运动的不确定性;其次是基于真实交通数据(NGSIM)的分析,因为人类换道行为在换道时间和期望加速度上存在显著的差异性,在当前的决策研究中很少被明确考虑。此外,发现NGSIM数据中存在一些潜在的紧急情况,可以通过优化部分决策参数来提升其安全性;在强化学习算法的设计中,动作过程中加入换道时间和期望加速度;奖励函数考虑了安全性、当前驾驶员的意愿和平均人类驾驶风格;问题求解中,自定义了基函数,并通过基于核函数的最小二乘策略迭代强化学习方法学习精确的安全决策行为。仿真结果表明,使用强化学习参数决策可以实现更精确的决策,从而提高安全性能,并可在变道场景中模仿人类驾驶员的行为。

关键词：自动驾驶车辆驾驶决策真实交通数据换道场景

在线全文

学校读者我要写书评

暂无评论

载人六足机器人驾驶决策

电机与控制学报 2020年第8期24卷 150-158,166页

作者：尤波丁宁李佳钰丁亮哈尔滨理工大学自动化学院哈尔滨150080 哈尔滨工业大学机电工程学院哈尔滨150080

为了实现载人六足机器人在复杂地形下的平稳通过,基于载人六足机器人腿部构型建立足端离散化模型,分析其稳定运动空间,确定实时的稳定性评价指标。针对斜坡向平坦地形过渡行走时,提出了基于合作博弈的控制算法,该算法将最优的足端和机... 详细信息

为了实现载人六足机器人在复杂地形下的平稳通过,基于载人六足机器人腿部构型建立足端离散化模型,分析其稳定运动空间,确定实时的稳定性评价指标。针对斜坡向平坦地形过渡行走时,提出了基于合作博弈的控制算法,该算法将最优的足端和机体运动序列以指令信息的形式反馈给驾驶员;针对障碍地形行走时,提出了基于贝叶斯决策理论的控制算法,配合足端状态调节机体位置,辅助驾驶员做出最优的决策。根据传感器反馈的信息动态调整运动学裕度和稳定裕度的权重因子,切换两种算法来选取当前地形下的最适控制算法。通过仿真实验结果表明,两种算法有效提高了六足机器人的稳定性,有效减少机体倾斜和足端冲击,提高了操纵效率,为驾驶员的驾驶决策提供辅助。

关键词：离散化模稳定运动空间合作博弈算法贝叶斯决策理论算法权重因子驾驶决策