基于混合输入的深度强化学习用于自动驾驶车辆的车道变更决策
机器人学
2025-09-03 v1
摘要
自动驾驶车辆的车道变更决策是一种复杂但高回报的行为。本文提出一种基于混合输入的深度强化学习（DRL）算法，实现自动驾驶车辆在交通流中的抽象车道变更决策和车道变更动作。首先，提出一种周围车辆轨迹预测方法，以减少周围车辆对自车未来行为的风险，并将预测结果作为额外信息输入到强化学习模型中。其次，为充分利用环境信息，该模型同时从高维图像和低维传感器数据中提取特征。将周围车辆轨迹预测与多模态信息融合作为强化学习的状态空间，以提高车道变更决策的合理性。最后，将强化学习的宏观决策与端到端车辆控制集成，实现完整的车道变更过程。在CARLA仿真器内进行实验，结果表明，混合状态空间的运用显著增强了车辆车道变更决策的安全性。
引用
@article{arxiv.2509.01611,
title = {A Hybrid Input based Deep Reinforcement Learning for Lane Change Decision-Making of Autonomous Vehicle},
author = {Ziteng Gao and Jiaqi Qu and Chaoyu Chen},
journal= {arXiv preprint arXiv:2509.01611},
year = {2025}
}