【技术实现步骤摘要】
本专利技术属于自动驾驶，具体涉及一种基于有限状态机的自动驾驶决策方法。
技术介绍
1、深度强化学习(drl)融合了深度神经网络的表征能力和强化学习的决策推理能力，广泛应用于自动驾驶汽车的驾驶决策任务。在现实的驾驶场景中，智能体需要在快速变化的交通情境中做出决策，例如超车、躲避障碍物等。然而，在密集交通中，传统的drl方法受到稀疏奖励问题的影响，使得智能体难以掌握复杂的交通决策策略。稀疏奖励限制了强化学习的学习效率，使得智能体难以快速获得正向反馈来引导策略的优化。
2、自动驾驶汽车在密集交通中的决策需要兼顾安全性、效率和舒适性，这使得奖励函数的设计变得复杂而困难。而传统的奖励设计方法无法充分引导智能体学习高质量的驾驶策略。在现有的研究中，虽然多目标强化学习、reward shaping、inverse reinforcementlearning等方法在一定程度上解决了稀疏奖励问题，但仍存在着无法适应多样驾驶情景、难以处理多目标权衡等问题。
3、综上所述，亟需一种自动驾驶决策方法，可缓解稀疏奖励问题，同时可适应多样驾...
【技术保护点】
1.一种基于有限状态机的自动驾驶决策方法，其特征在于，包括：
2.根据权利要求1所述的一种基于有限状态机的自动驾驶决策方法，其特征在于，对三种驾驶子任务分别进行马尔可夫决策过程建模的过程包括：
3.根据权利要求2所述的一种基于有限状态机的自动驾驶决策方法，其特征在于，马尔可夫决策过程的状态空间表示为：
4.根据权利要求2所述的一种基于有限状态机的自动驾驶决策方法，其特征在于，变道的奖励函数为：
5.根据权利要求2所述的一种基于有限状态机的自动驾驶决策方法，其特征在于，姿态调整的奖励函数为：
6.根据权利要求1...
【技术特征摘要】
1.一种基于有限状态机的自动驾驶决策方法，其特征在于，包括：
2.根据权利要求1所述的一种基于有限状态机的自动驾驶决策方法，其特征在于，对三种驾驶子任务分别进行马尔可夫决策过程建模的过程包括：
3.根据权利要求2所述的一种基于有限状态机的自动驾驶决策方法，其特征在于，马尔可夫决策过程的状态空间表示为：
4.根据权利要求2所述的一种基于有限状态机的自动驾驶决策方法，其特征在于，变道的奖励函数为：
5.根据权利要...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。