联合图像与单目深度特征的强化学习端到端自动驾驶决策方法

摘要：

现有的基于深度强化学习(deep reinforcement learning,DRL)的端到端自动驾驶决策方法鲁棒性较低,存在安全隐患,且单纯依赖图像特征难以正确推断出复杂场景下的最优动作.对此,提出了一种联合图像与单 目深度特征的强化学习端到端自动驾驶决策方案.首先,建立了基于竞争深度Q网络(dueling deep Q-network,Dueling DQN)的端到端决策模型,以提高模型的策略评估能力和鲁棒性.该模型根据观测数据获取当前状态,输出车辆驾驶动作(油门、转向和刹车)的离散控制量.然后,在二维图像特征的基础上提出了联合单目深度特征的状态感知方法,在自监督情况下有效提取场景深度特征,结合图像特征共同训练智能体网络,协同优化智能体的决策.最后,在模拟仿真环境下对不同的行驶环境和任务进行算法验证.结果表明,该模型可以实现鲁棒的端到端无人驾驶决策,且与仅依赖图像特征的方法相比,所提出的方法具有更强的状态感知能力与更准确的决策能力.

关键词：端到端自动驾驶决策;竞争深度Q网络;图像特征;单目深度特征

所属期刊栏目：46

分类号：P237(摄影测量学与测绘遥感)

资助基金：国家自然科学基金;国家自然科学基金;湖南省自然科学基金;湖南省自然科学基金

在线出版日期：2022-02-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：1862-1871