基于深度迁移强化学习的自动驾驶换道场景自适应安全决策与平滑避障控制设计.docxVIP

PAGE2

基于深度迁移强化学习的自动驾驶换道场景自适应安全决策与平滑避障控制设计

摘要

随着智能交通系统的快速发展，自动驾驶技术已成为解决交通安全与拥堵问题的关键手段。换道行为作为驾驶过程中最复杂且风险最高的操作之一，涉及复杂的动态环境交互与多目标协同决策。现有的自动驾驶换道决策方法多基于规则或传统强化学习，在面对复杂多变的交通流时，往往存在泛化能力弱、训练收敛速度慢以及决策动作不平滑等问题，难以兼顾安全性与乘车舒适性。

本课题针对上述痛点，设计了一种基于深度迁移强化学习的自动驾驶换道场景自适应安全决策与平滑避障控制系统。首先，构建了基于深度确定性策略梯度（DDPG）的换道决策框架，利用深度神经网络拟合策略函数，实现连续动作空间下的端到端决策。其次，提出了一种基于典型场景预训练的迁移学习机制，将简单场景下的驾驶先验知识迁移至复杂场景，显著提升了智能体在陌生环境下的适应能力与训练效率。同时，设计了多层平滑避障控制策略，结合模型预测控制（MPC）算法，将高层决策指令转化为平滑的底层控制信号，确保换道过程的平稳性与安全性。

论文主要内容包括：需求分析阶段明确了系统在多工况下的功能与性能指标；总体设计阶段构建了分层式系统架构，划分了感知、决策、控制等核心模块；详细设计阶段重点阐述了深度迁移强化学习算法的数学模型与多层控制器的逻辑实现；系统实现阶段基于Python与CARLA仿真环境