基于强化学习的无人驾驶车辆行为决策方法研究进展.docx_强化学习决策车辆资源-CSDN文库

版权申诉

173 浏览量 2022-07-14 11:07:26 上传评论收藏 37KB DOCX 举报

资源详情

资源评论

资源推荐

当今社会逐渐向着智能化的方向发展,无人驾驶变成了一个十分受关注的

热点。自动驾驶车辆的系统架构可以分为环境感知、行为决策、运动控制 3 个

部分。环境感知系统

[1,2]

能够利用摄像头、雷达等车载传感器与计算机视觉、传

感器信息融合技术来感知环境信息。行为决策系统

[3]

用来对环境及自车信息进

行理解并做出合理的驾驶行为决策。运动控制系统

[4]

能够根据决策系统给出的

控制信号来控制车辆的运动。如果将环境感知模块比作自动驾驶车辆的眼睛和

耳朵,将运动控制模块看作自动驾驶车辆的手和脚,那么行为决策模块就相当于

是自动驾驶车辆的大脑,是实现自动驾驶最为核心的技术。

强化学习

[5]

作为一种新兴的人工智能算法,其通过智能体与环境不断的交

互产生评价性的反馈信号,并利用反馈信号不断改善智能体的策略,最终使智能

体能够自主学习到适应环境的最优策略。该方法在序贯决策问题上表现出了强

大的优越性和灵活性。在自动驾驶决策领域 ,基于规则的传统行为决策方法

[6,7,8,9]

缺乏对动态变化环境的适应能力,于是研究人员尝试使用强化学习算法来

得到适应性强的决策模型。文献[10]使用强化学习算法为一个具有 14 自由度

的仿真车辆建立决策模型,帮助自动驾驶车辆在仿真环境中完成沿道路行驶的

任务。文献[11]将跟车行驶场景建模为马尔科夫决策过程模型(Markov Decision

Process,MDP),并使用 Q-Learning 算法为该模型求解最优的跟车策略,最终通

过多次不同情况下的仿真实验验证了算法的有效性。

基于强化学习算法的决策模型虽然取得了初步的成功 ,但仍存在很多缺

陷:(1)决策模型的精度较低。传统强化学习算法采用低维的状态空间和离散的

动作空间建立模型,这导致自动驾驶车辆只能根据粗糙的感知做出粗糙的决策,

无法在复杂的环境中很好的应用;(2)决策模型的广度不够。传统强化学习算法

只能针对某一种驾驶场景或驾驶任务进行设计,训练完成后的决策模型只能够

在该类场景下发挥作用,无法像人类驾驶员一样采用一个决策模型就能综合处

理多种驾驶任务;(3)在真实的道路交通环境中存在一些不确定因素,例如车载传

感器的噪声、传感器范围受限或受到遮挡以及周围其他的交通参与者意图未知

等。而基于传统强化学习的决策模型属于确定性推理模型,在环境中存在不确

定因素的条件下进行决策难以保证行车安全。

本文对近年来基于强化学习的决策模型在提高决策精度、提高决策广度、

应对不确定因素以提高行车安全这 3 个方面的研究进展进行介绍,以期为后来

的研究者提供参考。

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余6页未读，立即下载

评论0

内容反馈

版权申诉

罗伯特之技术屋

粉丝: 3675
资源: 1万+

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈

feedback-tip