.png){kind=icon}
返回
Path Planning for Autonomous Vehicles in Park Environments Using Probabilistic Roadmap Method and Improved DQN Algorithm
.png){kind=icon}
PRE
AI
DOI：10.1142/S0218126626420065.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
公园环境中自动驾驶的日益复杂性需要先进的路径规划方法来确保安全性、效率和舒适性。本文通过提出一种结合概率路线图方法（PRM）和深度强化学习（DRL）的新型路径规划方法来解决这一挑战。该研究开发了一个综合风险评估模型，将碰撞风险、路径长度成本和舒适性成本整合到多级风险成本框架中，以实现在公园环境中的定量风险评估。此外，该研究基于风险模型构建了连通性、长度、舒适性和安全风险评估矩阵，以评估不同采样节点之间的风险成本。引入了一种改进算法KMDQN，利用Kullback-Leibler散度（KLD）来增强策略优化并平衡探索与利用的权衡。KMDQN算法还集成了一个基于KMEANS的经验回放机制，以打破样本相似性和时间相关性，提高样本利用率。在模拟公园环境中的实验验证表明，与传统的A*和RRT算法以及标准DQN算法相比，KMDQN算法能够有效地规划更短、更安全且更高效的路径。KMDQN算法保持稳定的训练，避免局部最优，并优化探索策略，显示出其在显著提高复杂公园环境中自动驾驶安全性和效率方面的潜力。
Keyword:
Deep reinforcement learning
model-free
route planning
park environment
期刊
IF:
1
论文数:
387
被引数:
2.3K
机构
引用论文
Path-Planning for Unmanned Aerial Vehicles with Environment Complexity Considerations: A Survey考虑环境复杂性的无人机路径规划: 一项调查
OAAI
.png){kind=icon}
OAAI分享收藏
Dynamic Reinforcement Learning for Optimal Go AI Training: Adaptive Adjustment and Optimization
PREAI
分享收藏Short-Term Lateral Behavior Reasoning for Target Vehicles Considering Driver Preview Characteristic考虑驾驶员预瞄特性的目标车辆短期横向行为推理OAAI
OAAI分享收藏Toward Adaptive and Coordinated Transportation Systems: A Multi-Personality Multi-Agent Meta-Reinforcement Learning Framework面向自适应与协同的交通运输系统：一种多角色多智能体元强化学习框架
PREAI
分享收藏
查看更多内容