Adaptive Action-Constraint Safe Driving Decision Control Algorithm Based on Deep Reinforcement Learning

doi:10.1109/ojits.2026.3726139

Adaptive Action-Constraint Safe Driving Decision Control Algorithm Based on Deep Reinforcement Learning

2026-08-24

0

OA

AI

DOI：10.1109/ojits.2026.3726139

原文链接

原文求助

摘要

En 中文

自动驾驶具有显著提升交通效率的潜力，其有效性取决于在复杂真实环境中的鲁棒决策。作为一种新兴技术，深度强化学习（DRL）有望满足这一需求。然而，大多数现有的通用DRL方法是为游戏等标准化领域开发的，针对自动驾驶高度动态和安全关键特性的定制工作有限。本文基于近端策略优化（PPO）框架提出了一种增强型深度强化学习算法，通过引入基于轨迹的自适应裁剪和专家指导来应对复杂自动驾驶环境的挑战。利用历史轨迹信息构建自适应裁剪阈值，有效减少策略震荡，并提升动态场景下学习的稳定性和收敛速度。此外，将模仿学习（IL）融入强化学习过程，使专家演示能够引导探索，从而提高样本效率。在CARLA模拟器的六个地图上对所提算法进行了评估，并与基础PPO进行了比较。结果表明，改进算法实现了更快的训练速度、更优性能，并生成了更平滑的策略。

Keyword:

Autonomous driving

Imitation learning

Deep reinforcement learning

Adaptive threshold

Expert system

Adaptive Action-Constraint Safe Driving Decision Control Algorithm Based on Deep Reinforcement Learning

摘要

期刊

机构

引用论文