文献类型：会议论文

中文题名：高速公路环境下融合安全模块的深度强化学习算法设计

作者：刘顾洋[1,2];郑文[2];童宇[2];陆政宏[2];卢静宜[1]

机构：[1]华东理工大学能源化工过程智能制造教育部重点实验室;[2]华东理工大学信息科学与工程学院

会议论文集：2024中国自动化大会论文集

会议日期：20241101

会议地点：中国山东青岛

语种：中文

中文关键词：自动驾驶;强化学习;安全模块;深度Q-learning神经网络

摘要：自动驾驶技术正迅速变革我们的交通方式,其优势包括减少交通事故和降低碳排放等。然而,传统的模型预测控制算法需要对环境进行精确建模,同时安全性问题仍是自动驾驶技术广泛应用的关键挑战。针对这一问题,我们选择基于深度Q-learning神经网络的强化学习算法,该算法能够在无精确建模的环境中实现自动驾驶决策。进一步地,我们设计了一种将安全模块与强化学习相结合的算法,通过提前获取和分析环境信息,确保在复杂交通环境中的安全性和适应性。具体而言,安全模块算法通过综合计算状态和动作空间,保障车辆间的最小安全距离,并在检测到不安全动作时自动触发替代动作机制。此外,当DQN输出不安全动作时,安全模块会返回负奖励,以驱动DQN修正Q网络,从而提高策略的安全性。实验结果表明,结合了安全模块的DQN算法相较于原始DQN算法,在收敛速度上提升了54.15%、在奖励值(reward)上提升了8.69%。从整体结果显示,结合安全模块的DQN算法在安全性和稳定性上均有显著的提升。