本文介绍了一种基于深度强化学习和 LSTM 的算法，可以在不使用特定行为规则的情况下，学习各种类型的动态代理之间的避碰。通过仿真和在全自主机器人车辆上的实验，证明了该算法随着代理数量的增加能够更好地执行避碰，并且不需要使用 3D 激光雷达。

May, 2018

现有的先进驾驶辅助系统主要关注直接前方的车辆，通常忽视了来车的潜在风险。本研究引入了一种基于深度强化学习的新算法，用于纵向控制和避撞，该算法有效地考虑了前后车辆的行为，并在模拟的高风险情况下实施，如紧密行驶的多车辆场景中的紧急刹车，传统系统通常难以应对。实验证明该算法能够防止潜在的连环碰撞，包括涉及重型车辆的碰撞。

Apr, 2024

本研究使用深度强化学习来生成一种连续控制规划方案，让自动驾驶汽车在拥挤的道路上实现车道变换，并与基于模型预测控制算法进行对比测试。

Sep, 2019

使用深度强化学习，本文研发了一种尊重人们常见社交规范的导航策略，可以使机器人车辆在行人密集的环境中以人类步速进行完全自主导航。

Mar, 2017

本文介绍了一种基于自主行车的防撞技术，包括预测行人通过模拟其自身运动规划、推断可能的目的地、规划阶段和行为模式预测的神经网络。实验结果表明，系统能够准确地预测目的地和轨迹。

Jun, 2017

通过采用深度强化学习从事自主驾驶车辆上的车辆跟随和变道模型，本论文探讨了解决构成道路阻塞的突发情况，提出了基于 Markov 决策过程和 MEC 辅助架构的综合决策控制系统，并通过 SUMO 模拟器和 OPENAI GYM 评估了该模型的性能，结果显示使用 ε-greedy 策略进行训练的 DQN 代理明显优于使用 Boltzmann 策略进行训练的代理。

Sep, 2023

本文提出一种利用深度强化学习的自主驾驶行为规划模型，通过预测未来交通情况，将高层行为规划接口化，并通过循环规划策略进行实验验证。

Apr, 2023

本研究提出了一种基于不确定性的模型学习算法，以实现移动机器人学习导航和避免碰撞的目标，该算法可以估计碰撞概率并通过不确定度来控制行进速度，并利用神经网络从传感器中处理原始数据，实验结果表明，该方法能在模拟和真实的四旋翼和遥控汽车中有效地减少训练期间的危险碰撞。

Feb, 2017

本文提出了一种结合现实强化学习、基于搜索的在线轨迹规划和自动紧急情况干预的高效碰撞避免系统，用于在室内实际环境下的移动机器人安全行驶。实验结果显示该方法比多种基线更优秀，可以实现更高的平均速度、更低的碰撞频率、更高的目标达成率、更小的计算开销和更平滑的整体控制。

Sep, 2022

该研究提出了一种基于深度强化学习的分散式多智能体碰撞避免算法，该算法利用价值网络来实现高效（即可实时实施）的查询并考虑其他智能体的运动不确定性，与现有碰撞避免策略相比显示出更高的路径质量改进。

Sep, 2016