公开(公告)号：CN116279471A

公开(公告)日：2023-06-23

申请号：CN202211598432.8

申请日：2022-12-12

Applicant: 同济大学

Inventor： 汤书宁 ,  丁路洒 ,  邹亚杰 ,  张浩

IPC: B60W30/16 ,  B60W50/00

Abstract: 本发明涉及一种跟驰场景下考虑驾驶行为特征的车辆加速度预测方法，包括：步骤1)获取预测数据集并进行数据处理和变量提取：对获取的预测数据集，基于预配置的规则对有效跟驰片段进行筛选保留，从有效跟驰片段数据中提取特征变量；步骤2)构建基于CHMM的驾驶行为语义划分模型，以特征变量作为驾驶行为语义划分模型的输入，将特征变量分割成具有不同行为特征的片段，并对驾驶行为语义进行相似度评价；步骤3)构建CNN‑LSTM加速度预测模型，基于相似度评价结果划分有效跟驰片段数据构建输入输出样本集，对CNN‑LSTM加速度预测模型进行训练，基于训练完成的CNN‑LSTM加速度预测模型进行车辆加速度预测。与现有技术相比，本发明具有预测精度高等优点。

公开(公告)号：CN116843019A

公开(公告)日：2023-10-03

申请号：CN202310863710.6

申请日：2023-07-14

Applicant: 同济大学

Inventor： 张浩 ,  汤书宁 ,  邹亚杰 ,  杨小雪

IPC: G06N3/092 ,  G06N3/0985 ,  G06N3/045 ,  G06N3/0464

Abstract: 本发明提供一种基于深度强化学习的自动驾驶策略学习方法，属于强化学习和自动驾驶领域，包括如下步骤：1)基于Gym库搭建可以与强化学习算法进行交互的自动驾驶数值仿真环境；2)设计自动驾驶策略学习任务的奖励函数，奖励函数包括跟驰奖励、换道奖励、安全奖励和车道保持奖励；3)设计状态空间，强化学习算法的状态空间包括主车的信息和主车周围四辆车的信息；4)设计动作空间，包括一个离散型动作和两个连续型动作；5)调整P‑DQN算法的网络结构和超参数，训练算法到达收敛。与现有技术相比，本发明使用具有混合动作空间的P‑DQN算法学习自动驾驶策略，不需要简化原有的动作空间，因此P‑DQN算法有着更好的稳定性和更高的学习效率。