基于自然数据集的多目标自主制动系统

提出了一种基于深度强化学习的多目标自主制动系统。系统的设计在连续动作空间中制定，力求最大化行人安全与感知以及乘客舒适度。车辆智能体针对一个大型自然数据集进行训练，该数据集包含行人在交互式虚拟现实环境中于各种交通条件下横穿道路的试验。制动控制策略通过计算机仿真使用两种强化学习方法即 Proximal Policy Optimization 和 Deep Deterministic Policy Gradient 学习，并比较了各自的效率。结果表明，该系统能够在保持安全制动操作的同时，将对乘客舒适度的负面影响减少一半。