原文传递
面向车联网的智能自适应行车策略研究
| 论文题名： | 面向车联网的智能自适应行车策略研究 |
| 关键词： | 车联网;自适应行车;自动驾驶;轨迹预测;深度强化学习 |
| 摘要： | 随着人工智能的发展，汽车智能化已经成为汽车领域和智能产业发展的一个新方向。同时，车联网是未来智能交通的重要组成部分，车辆能够利用车联网技术与其他道路用户和基础设施进行通信。本文主要研究在车联网背景下，自我车辆（EgoVehicle，EV）通过自我感知、车对车通信以及车路协同来实现安全且高效的行车策略规划，其中自我车辆是道路上的某一辆自动驾驶车辆。已有研究主要根据自我车辆和周边车辆的实时行驶状态完成行车策略规划。本文不仅关注自我车辆和周边车辆的当前行驶状态，还提前预测周边车辆未来的行驶轨迹。最终将轨迹预测结果加入至深度强化学习模型，以解决自我车辆在城市道路上换道行为的行车策略规划问题。本文的工作主要包括以下内容： 设计基于驾驶风格和换道意图的轨迹预测模型A-BiLSTM，A-BiLSTM旨在对自我车辆的周边车辆未来行驶轨迹预测。本文以长短期记忆网络(LongShortTermMemory，LSTM)为基础，选择双向LSTM（Bi-directionalLSTM，BiLSTM）作为网络架构，并结合注意力机制构建了A-BiLSTM*模型。A-BiLSTM*模型的输入只包括车辆的行驶时序数据，而A-BiLSTM模型的输入还包括了车辆的驾驶风格和换道意图。在实验方面，将本文提出的A-BiLSTM与LSTM和A-BiLSTM*进行性能对比分析，结果表明A-BiLSTM算法模型预测车辆轨迹更准确可靠，同时其增加的预测花费时间是在可接受的范围内。 设计基于深度强化学习的行车策略规划模型与算法P-DDQN，P-DDQN旨在为自我车辆规划出安全且高效的行车策略。本文针对城市两车道公路环境的换道场景，提出了一种基于深度强化学习的行车策略规划方法。该方法使用上述的轨迹预测模型对周边车辆的未来行驶轨迹进行预测，随后将轨迹预测结果加入智能体的状态空间中，使得其对驾驶环境的观察信息更加丰富并且驾驶视野更加宽阔，以确保选择更安全且高效的动作。最后，利用自动驾驶模拟工具highway-env，将本文提出的P-DDQN算法与DDQN和DQN算法进行比较，实验结果表明，P-DDQN的方法能够提高换道场景下自我车辆的平均换道通过率和平均行驶速度。 |
| 作者： | 张陈瑜 |
| 专业： | 电子与通信工程 |
| 导师： | 马立香 |
| 授予学位： | 硕士 |
| 授予学位单位： | 电子科技大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
