Nov, 2023

DRNet：基于深度强化学习的自动车道变更决策方法

PDF
TL;DR机器学习在自主驾驶车辆的决策制定中优于许多基于规则的方法，我们通过提出一种基于强化学习的框架 'DRNet'，使用深度强化学习 (DRL) 来改进车道切换，并结合安全验证来确保只选择安全动作。
machine learningautonomous vehicleslane changingdeep reinforcement learningsafety verification
发现论文，激发创造
  • 利用深度强化学习进行动态和不确定高速公路环境下的自动车道变更决策

    研究开发了一个新型仿真环境，采用深度强化学习的方法训练代理人，在动态和不确定的交通环境中实现了一致的性能，并表明所提出的数据驱动方法在嘈杂的环境中表现显著优于完全依赖启发式的方法。

    Sep, 2019

  • 使用深度强化学习进行自动速度和车道变更决策

    该论文介绍了一种基于深度强化学习的方法，用于自动生成通用决策功能。通过在模拟环境中训练深度 Q 网络代理以处理卡车挂车组合的速度和车道变换决策，并在公路驾驶案例中表明该方法产生的代理匹配或超过了常用的参考模型。为了展示该方法的普适性，通过在对向交通的道路上训练它来训练同样的算法以进行超车案例的测试。此外，还介绍了一种将卷积神经网络应用于表示可互换对象的高级输入的新方法。

    Mar, 2018

  • 基于邻近政策优化的深度强化学习自动换道策略

    这篇论文研究了如何利用无人驾驶中的深度强化学习技术来优化车辆变道的策略，通过使用近端策略优化来提高学习效率和性能表现，进一步验证了该策略的有效性和安全性。

    Feb, 2020

  • 交通优化中的隐式感知：先进的深度强化学习技术

    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

  • 基于图卷积的深度强化学习在混合交通环境下的多智能体决策

    本研究提出了一种利用图神经网络和深度强化学习相结合的图强化学习方法，以提高自主车辆互动交通场景下的决策生成精度。在实验验证中，该方法能够提取交互情景特征，并生成更好的合作行为。

    Jan, 2022

  • 自主高速公路驾驶的预测决策

    本文提出了一种基于预测的深度强化学习决策模型，考虑了周围车辆的操作意图，并使用真实交通数据进行训练。经过模拟测试，结果表明和基于深度强化学习的模型相比，该模型在复杂的高速公路驾驶场景中提高了决策性能，从而减少了碰撞数量，实现了更安全的驾驶。

    Sep, 2022

  • 针对各种模拟驾驶操作的深度强化学习自动驾驶的全面培训和评估

    本研究通过实现、评估和比较两种深度强化学习算法（Deep Q-networks 和 Trust Region Policy Optimization）来训练自动驾驶车辆，以及开发和应用奖励函数，并在基于模拟环境的高速公路自动驾驶训练平台中进行评估，结果显示 TRPO 算法在大多数情况下以及将多种驾驶演练和多种路况情况集成于一体的 ComplexRoads 训练环境中效果最佳。

    Jun, 2023

  • 端到端深度强化学习实现车道保持辅助

    本文提出了不同的深度强化学习方法用于自动驾驶，分别包括离散行动类别中的深度 Q 网络算法 (DQN) 和连续行动类别中的深度确定性演员 - 评论家算法 (DDAC)，并在 TORCS 模拟器中测试了其性能。

    Dec, 2016

  • 让混合 A * 路径规划器遵守交通规则：基于深度强化学习的规划框架

    利用深度强化学习（DRL）和混合 A * 路径规划方法，在自动驾驶系统中实现高级决策与低级轨迹规划，并通过真实系统验证其可行性。

    Jul, 2024

  • 城市自主驾驶的无模型深度强化学习

    本文提出了一个在复杂城市自主驾驶场景下使用无模型深度强化学习的框架，并在高清晰度驾驶模拟器中进行了验证。结果表明，与基线相比，我们的方法可以很好地解决任务，且表现显著优异。

    Apr, 2019