基于分层深度强化学习的考虑车辆重量的风险预判自动驾驶策略

自动驾驶车辆 (AV) 有潜力预防因驾驶员失误造成的事故并降低道路交通风险。由于重型车辆碰撞会导致更严重的事故，在制定旨在降低潜在风险及其后果的自动驾驶策略时，需要考虑车辆的重量。本研究基于风险预判，考虑周围车辆的重量，并利用分层深度强化学习，开发了一种自动驾驶策略。基于风险场理论，提出了一种融合周围车辆重量的风险指标，并将其纳入自动驾驶决策。设计了一个混合动作空间，允许左变道、右变道和跟车，使自动驾驶车辆能够在可能的情况下更自由、更真实地行动。为解决上述混合决策问题，开发了一种带有注意力机制的分层近端策略优化 (AT-HPPO) 算法，在保持高鲁棒性和泛化能力的稳定性能方面具有显著优势。新提出了一个指标——冲突中的潜在碰撞能量 (PCEC)，从潜在事故后果的角度评估所开发的自动驾驶车辆驾驶策略的性能。仿真和数据集中的性能评估结果表明，我们的模型提供的驾驶策略能够降低潜在事故的可能性和后果，同时保持驾驶效率。所开发的方法对于在重型车辆占交通比例较高的高速公路上行驶的自动驾驶车辆尤其有意义。