Estratégia de Tomada de Decisão em Rodovias para Veículos Autônomos Usando Aprendizado por Reforço Profundo

A condução autônoma é uma tecnologia promissora para reduzir acidentes de trânsito e melhorar a eficiência da condução. Neste trabalho, uma política de tomada de decisão habilitada por aprendizado por reforço profundo (DRL) é construída para veículos autônomos, abordando os comportamentos de ultrapassagem na rodovia. Primeiro, um ambiente de condução em rodovia é fundado, onde o veículo ego busca passar pelos veículos ao redor com uma manobra eficiente e segura. Uma estrutura de controle hierárquica é apresentada para controlar esses veículos, indicando que o nível superior gerencia as decisões de condução, e o nível inferior cuida da supervisão da velocidade e aceleração do veículo. Em seguida, o método DRL específico denominado algoritmo de rede Q profunda em duelos (DDQN) é aplicado para derivar a estratégia de tomada de decisão na rodovia. Os procedimentos calculativos exaustivos dos algoritmos de rede Q profunda e DDQN são discutidos e comparados. Finalmente, uma série de experimentos de simulação de estimativa é realizada para avaliar a eficácia da política proposta de tomada de decisão na rodovia. As vantagens da estrutura proposta na taxa de convergência e no desempenho do controle são iluminadas. Resultados de simulação revelam que a política de ultrapassagem baseada em DDQN pode realizar tarefas de condução na rodovia de maneira eficiente e segura.