实际环境中基于深度Q学习的无人车路径规划

肖浩¹(),廖祝华^1,2,*(),刘毅志^1,2,刘思林¹,刘建勋^1,2

1. 湖南科技大学计算机科学与工程学院, 湖南 湘潭 411201
2. 知识处理与网络化制造湖南省普通高校重点实验室, 湖南 湘潭 411201

收稿日期:2020-06-28出版日期:2021-02-20发布日期:2021-03-01
通讯作者:廖祝华E-mail:xiaohao1217@foxmail.com;zhliao@hnust.edu.cn
作者简介:肖浩(1995—), 男, 四川成都人, 硕士研究生, 主要研究方向为机器学习和路径规划. E-mail: xiaohao1217@foxmail.com
基金资助:国家科学自然基金资助项目(61370227);湖南省自然科学基金资助项目(2017JJ2081);湖南省自然科学基金资助项目(2018JJ4052);湖南省教育厅重点资助项目(17A070);湖南省教育厅重点资助项目(19A172);湖南省教育厅重点资助项目(19A174);科学研究资助项目(17C0646);科学研究资助项目(19C0755)

Unmanned vehicle path planning based on deep Q learning in real environment

Hao XIAO¹(),Zhuhua LIAO^1,2,*(),Yizhi LIU^1,2,Silin LIU¹,Jianxun LIU^1,2

1. School of Computer Science and Engineering, Hunan University of Science and Technology, Xiangtan 411201, Hunan, China
2. Hunan Provincial Key Laboratory of Knowledge Processing and Networked Manufacturing, Xiangtan 411201, Hunan, China

Received:2020-06-28Online:2021-02-20Published:2021-03-01
Contact:Zhuhua LIAO E-mail:xiaohao1217@foxmail.com;zhliao@hnust.edu.cn

摘要/Abstract

摘要： 实际交通环境规划最优路径的重要问题是无人车智能导航, 而无人车全局路径规划研究主要在于模拟环境中算法求解速度的提升, 考虑大部分仅路径距离最优或局限于当前道路的自身状况, 本研究针对实际环境中的其他因素及其未来的变化和动态路网中无人车全局路径规划的复杂任务, 基于预测后再规划的思想提出面向实际环境的无人车驾驶系统框架, 并结合深度Q学习和深度预测网络技术提出一种快速全局路径规划方法(deep prediction network and deep Q network, DP-DQN), 从而利用时空、天气等道路特征数据来预测未来交通状况、求解全局最优路径。基于公开数据集的试验和评价后发现, 本研究提出的方法与Dijkstra、A^*等算法相比, 行车时间最高降低了17.97%。


PDF全文下载地址:

http://gxbwk.njournal.sdu.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=2011