基于深度强化学习的自动驾驶算法研究及其在CARLA中的测试验证

现如今，人工智能的高速发展使其应用到了各行各业之中，而自动驾驶是人工智能领域的核心方向之一。现有的自动驾驶算法通常采用分层策略，将自动驾驶任务分为感知、决策、控制三个部分，在各个部分单独应用深度学习、模仿学习等方式，基于海量的数据集拟合类人的驾驶策略。然而，这种分层策略在信息传播过程中容易出现误差，同时需要大量的数据集来支持模型的学习，增加了数据处理的工作量。 本文提出了一种基于深度强化学习的自动驾驶算法，来学习更加智能的驾驶策略。此算法能够通过与仿真环境交互，采用端到端的学习策略，从车辆的鸟瞰图(Birds Eye View,BEV)中直接学习到车辆的决策指令，并进一步转化为控制指令。此算法不需要大量的数据集和复杂的分层策略，可以更好地处理数据量不足的情况，并避免了分层策略误差传播的问题。