文献类型：期刊文献

中文题名：基于强化学习的无人驾驶匝道汇入模型

英文题名：Autonomous Driving Ramp Merging Model Based on Reinforcement Learning

作者：乔良[1];鲍泓[1];玄祖兴[1];梁军[1];潘峰[2]

第一作者：乔良

机构：[1]北京联合大学北京市信息服务工程重点实验室;[2]北京联合大学机器人学院

第一机构：北京联合大学北京市信息服务工程重点实验室

年份：2018

卷号：44

期号：7

起止页码：20-24

中文期刊名：计算机工程

外文期刊名：Computer Engineering

收录：CSTPCD;;Scopus;北大核心:【北大核心2017】；CSCD:【CSCD_E2017_2018】；

基金：国家自然科学基金"视听觉信息的认知计算"重大研究计划重点支持项目"智能车驾驶脑认知技术;平台与转化研究"(91420202);北京市教委科研计划项目(KM201811417006);英国皇家工程院牛顿基金(UK-CIAPP\324);北京市属高校高水平教师队伍建设支持计划项目(IDHT20170511)

语种：中文

中文关键词：无人驾驶;决策;匝道汇入;强化学习;深度Q网络

外文关键词：autonomous driving;decision-making;ramp merging;reinforcement learning;deep Q network

摘要：传统的强化学习方法受离散状态空间和离散动作空间的限制,不能很好地应用于匝道汇入场景。为此,构建一种基于强化学习的无人驾驶匝道汇入模型。使用深度Q网络构建强化学习模型,依据该模型将匝道汇入问题纳入强化学习问题的范畴后进行求解。实验结果表明,该模型可以针对不同的环境车辆速度采取不同的策略,从而提高无人驾驶在匝道汇入场景下的智能化决策水平。
The traditional reinforcement learning method is limited by discrete state space and discrete action space, and can not be applied to ramp merging scene. Therefore,a reinforcement learning based autonomous driving ramp merging model is constructed. The reinforcement learning model is built by deep Q network. The ramp merging problem is incorporated into the category of reinforcement learning problem and solved. Experimental results show that the model can adopt different strategies for different environment vehicle speeds,thus improving the intelligent decision-making level of the autonomous driving in ramp merging scene.