一个深度强化学习策略,以周围的车辆基于车道保持控制控制
Jihun Kim1, Sanghoon Park1, Jeesu Kim2
1Graduate School of Automotive Engineering, Kookmin University, Seoul 02707, Republic of Korea.
Sensors (Basel, Switzerland)
|December 23, 2023
概括
这项研究引入了使用LiDAR传感器的强化学习 (RL) 车道保持系统 (LKS),以提高自动驾驶汽车的安全性. 该方法通过处理周围对象数据,即使与模拟的传感器噪声,也有效地维护车道.
科学领域:
- 机器人和控制系统 机器人和控制系统
- 人工智能的人工智能
- 汽车工程 汽车工程
背景情况:
- 自动驾驶汽车 (AV) 需要先进的安全功能,因为自主性增加.
- 车道维护系统 (LKS) 对于驾驶员在自动驾驶汽车中的方便和安全至关重要.
- 传感器故障需要强大的故障安全机制,以确保可靠的LKS运行.
研究的目的:
- 为自动驾驶汽车的车道保持系统 (LKS) 提出强化学习 (RL) 控制方法.
- 为了利用LKS的LiDAR传感器数据,为传统的基于相机的系统提供了替代方案.
- 通过一种新的RL方法,提高LKS的安全性和可靠性.
主要方法:
- 开发了一个强化学习 (RL) 框架来控制车道保持.
- 代表周围物体信息的LiDAR传感器数据被用作RL代理的输入.
- 学习环境是使用IPG CarMaker创建的,用于车辆动态和MATLAB Simulink用于数据分析和RL模型开发.
- 在模拟过程中引入了高斯噪声,以模拟现实世界的传感器噪声和测试强度.
主要成果:
- 拟议的RL方法成功地使用了LiDAR数据来保持车道.
- 该系统证明了能够有效地保持车辆的车道的能力.
- 模拟的传感器噪声并没有显著地阻碍系统的车道保持性能,这表明了它的稳定性.
结论:
- 激光雷达传感器数据是相机数据的可行替代品,用于基于强化学习的车道保持系统.
- 开发的RL控制方法为提高自动驾驶车辆LKS的安全性和可靠性提供了一个有希望的方法.
- 建议在现实场景中进行进一步的验证,以确认系统的实际适用性.
