基于深度强化学习的自动驾驶车辆在极端天气下的轨迹规划控制.docxVIP

PAGE2

基于深度强化学习的自动驾驶车辆在极端天气下的轨迹规划控制

摘要

近年来，自动驾驶技术在常规场景下已取得显著进展，但在雨雪雾等极端低能见度天气下，感知精度骤降与动力学约束突变导致传统轨迹规划算法频繁失效，成为制约无人驾驶全场景落地的核心痛点。同时，低空经济中的无人飞行器也面临类似气象挑战，空地协同的鲁棒控制需求日益凸显。本课题针对上述现实痛点，设计基于深度强化学习的自动驾驶车辆鲁棒轨迹规划算法，旨在提升系统在极端条件下的动态避障与轨迹跟踪安全性。

本文遵循工程递进思路展开。第一章剖析极端天气下感知失效的现实需求与痛点；第二章论证深度强化学习与多源融合感知的技术选型；第三章细化系统在功能、性能及用例层面的需求；第四章构建感知-决策-控制的分层架构并设计经验回放池；第五章深入推导SAC算法逻辑与奖励函数设计；第六章展示核心算法代码实现与难点突破；第七章通过CARLA仿真完成功能与性能指标的验证；第八章总结成果并展望空地协同演进方向。

本设计的核心创新点在于：构建了基于气象扰动的状态表征模型，将路面附着系数衰减与视觉噪声纳入马尔可夫决策过程；设计了融合安全边界约束的自适应奖励函数，有效解决了极端场景下稀疏奖励导致的策略坍塌问题，显著提升了轨迹规划的鲁棒性与安全性。

第一章绪论

1.1研究背景

随着人工智能与汽车工业的深度融合，自动驾驶技术正从实验室走向商业化落地。在晴