基于深度强化学习的自动驾驶决策策略研究
机器学习
2024-12-31 v2
摘要
行为决策子系统是自动驾驶系统的关键组成部分，反映了车辆和驾驶员的决策能力，是车辆高层智能的重要标志。然而，现有的基于规则的决策方案受限于设计者的先验知识，难以应对复杂多变的交通场景。在本工作中，采用先进的深度强化学习模型，通过将驾驶决策过程建模为强化学习问题，使模型能够在复杂多变的交通环境中自主学习和优化驾驶策略。具体而言，我们使用深度Q网络（DQN）和近端策略优化（PPO）进行比较实验。DQN通过逼近状态-动作价值函数来引导智能体选择最优动作，而PPO通过优化策略函数来提升决策质量。我们还在奖励函数的设计中引入了改进，以促进模型在真实驾驶场景中的鲁棒性和适应性。实验结果表明，基于深度强化学习的决策策略在多种驾驶任务中优于传统的基于规则的方法。
引用
@article{arxiv.2408.03084,
title = {Research on Autonomous Driving Decision-making Strategies based Deep Reinforcement Learning},
author = {Zixiang Wang and Hao Yan and Changsong Wei and Junyu Wang and Minheng Xiao},
journal= {arXiv preprint arXiv:2408.03084},
year = {2024}
}