【技术实现步骤摘要】
本申请涉及智能驾驶，具体而言，涉及一种针对多车强化学习的决策方法、装置、存储介质及设备。
技术介绍
1、随着人工智能的迅速发展，在自动驾驶领域，强化学习算法逐渐成为优化车辆决策的重要工具。这些算法通过对大量环境数据的学习和反馈，使车辆能够在复杂和动态的交通场景中进行自主决策。尤其在多车协同驾驶中，车辆间的交互与协调至关重要，多车强化学习提供了一种自适应的解决方案，使得多个车辆能够实时调整策略以应对突发情况。
2、而在复杂的的交通场景中，车辆流动具有高度动态性，车辆速度差异大，且驾驶者行为不可预测，增加了碰撞的风险。因此，现有的强化学习算法在此类场景中可能导致决策不稳定，难以兼顾多车的安全需求。强化学习算法的“黑箱”特性使得其决策过程缺乏可解释性，这在多车环境中尤为突出，当前的研究多集中于如何最大化整体系统的收益，忽视了单车安全性的考虑。例如，一些基于q-learning的算法侧重于协作或竞争场景的均衡决策，常常在动态和复杂的交通情况下产生不可预测的行为，未能有效应对多车辆互动中的潜在碰撞风险。
3、因此，如何提高...
【技术保护点】
1.一种针对多车强化学习的决策方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，按照预设优先级分配规则，为基于多车强化学习模型控制的每个自动驾驶车辆分配优先级指数，包括：
3.根据权利要求1所述的方法，其特征在于，基于所述当前自动驾驶车辆在所述第i时间步处的安全裕度，从有效动作集合中筛选出最佳动作，作为所述当前自动驾驶车辆在所述第i时间步内的实际动作，包括：
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
5.根据权利要求1-4中任一项所述的方法，其特征在于，在根据基于所述第i时间步...
【技术特征摘要】
1.一种针对多车强化学习的决策方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，按照预设优先级分配规则，为基于多车强化学习模型控制的每个自动驾驶车辆分配优先级指数，包括：
3.根据权利要求1所述的方法，其特征在于，基于所述当前自动驾驶车辆在所述第i时间步处的安全裕度，从有效动作集合中筛选出最佳动作，作为所述当前自动驾驶车辆在所述第i时间步内的实际动作，包括：
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
5.根据权利要求1-4中任一项所述的方法，其特征在于，在根据基于所述第i时间步内的探索性动作预测的轨迹和基于其他自动驾...
【专利技术属性】
技术研发人员：焦岩，孔德聪，肖秧，周明珂，方达龙，
申请(专利权)人：西部科学城智能网联汽车创新中心重庆有限公司，
类型：发明
国别省市：
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。