使用强化学习和深度Q网络实现自动驾驶车辆中针对动态路障的去中心化语义交通控制

配备有能够捕获速度、加速度和精确位置等基本车辆动力学信息的传感器的自动驾驶车辆（AVs），具备执行智能操作（如变道）以应对即将到来的路障的能力。然而，大量的传感数据和做出明智决策所需的处理过程常常使车辆不堪重负，使其无法独立处理任务。因此，交通场景中的常见方法是将数据传输到服务器进行处理，这种做法会引入挑战，尤其是在需要实时处理的情况下。针对这一挑战，我们提出了一种新颖的基于深度学习的语义交通控制系统，该系统将语义编码责任委托给车辆本身。该系统处理从强化学习（RL）智能体获得的驾驶决策，简化了决策过程。具体来说，我们的框架设想了由于道路维护、事故或车辆维修等因素导致突然出现路障的场景，此时车辆需要决定是保持车道还是变道以通过这些障碍。为了从数学上描述这一场景，我们采用了马尔可夫决策过程（MDP），并利用深度Q学习（DQN）算法来寻找可行的解决方案。