原文传递
基于强化学习的AEB控制策略研究
| 论文题名： | 基于强化学习的AEB控制策略研究 |
| 关键词： | 自动驾驶;紧急制动系统;汽车安全性;强化学习;安全模型;DDPG |
| 摘要： | 近些年人工智能技术飞速发展，深度学习被应用在生活的各个方面，最典型的就是在自动驾驶领域的应用。强化学习作为机器学习的一种，被广泛应用于各类决策问题，本文研究把强化学习方法和自动驾驶技术结合，用强化学习方法对车辆自动紧急制动系统AEB的决策层进行设计，使得车辆在紧急制动时能够适应复杂多变的行车环境。本文主要研究内容如下： （1）首先介绍了几种传统的制动安全模型，分析其存在的局限性，随后提出驾驶状态识别系数以识别驾驶员驾驶状态，在此基础上提出了修正的安全距离模型，对制动结束的最小安全距离进行修正，使得最小安全距离能够适应不同风格驾驶状态，将修正的最小安全距离作为强化学习回报函数的输入，用于强化学习部分个性化回报函数的设计。 （2）通过实验对两种典型的深度强化学习算法DQN和DDPG在AEB控制决策上的应用进行对比分析，基于实验结果选择DDPG算法作为AEB控制算法。结合车辆自动紧急制动过程的运动学理论，设计了基于DDPG的自动紧急制动系统决策框架。 （3）研究基于DDPG的AEB控制策略。首先对紧急制动过程进行分析，建立马尔可夫决策过程模型，确定状态集及动作集；设计回报函数，采用了基于驾驶状态识别的修正最小安全距离模型，以适应不同驾驶员的个性化驾驶习性，通过仿真模拟实验对所设计的AEB有效性进行验证。 （4）搭建基于MATLAB/Simulink的仿真场景进行仿真试验，试验场景包括前车静止、前车匀速、前车制动，仿真结果表明所设计的强化学习AEB决策算法能够达到收敛。设计强化学习AEB和分级式AEB的对比实验，结果表明强化学习AEB制动效果更好，更具安全性与舒适性。设计了不同驾驶状态的对比试验，结果表明强化学习AEB能够很好地满足不同驾驶状态驾驶员的心理预期，制动效率高且舒适性良好，弯道仿真结果表明，强化学习AEB系统可以在弯道进行有效制动，保证了弯道紧急制动的安全性。最后基于HUNTER2.0平台搭建实车测试场景，进行实车试验，结果表明本文设计的强化学习AEB能够有效制动，并和前车保持一定的最小安全距离。 |
| 作者： | 徐洋 |
| 专业： | 车辆工程 |
| 导师： | 李良敏 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长安大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
