Toma de decisiones automatizada para el cambio de carril utilizando aprendizaje profundo por refuerzo en un entorno de autopista dinámico e incierto

El cambio de carril autónomo es una característica crítica para los sistemas avanzados de conducción autónoma, que involucra varios desafíos, como la incertidumbre en el comportamiento de otros conductores y la compensación entre seguridad y agilidad. En este trabajo, desarrollamos un nuevo entorno de simulación que emula estos desafíos y entrenamos un agente de aprendizaje profundo por refuerzo que ofrece un rendimiento consistente en una variedad de escenarios de tráfico dinámicos e inciertos. Los resultados muestran que el enfoque propuesto impulsado por datos tiene un rendimiento significativamente mejor en entornos ruidosos en comparación con métodos que dependen únicamente de heurísticas.