基于深度强化学习的自动驾驶分段决策方法

来源：大连理工大学学报杂志2025年第2期北京时间：

作者：王春淇,张明恒,周俊平,姚宝珍,石佳伟

摘要：基于道路分段方法，在不同路段采用差异化的车辆控制策略，以满足自动驾驶决策系统的性能要求．首先，鉴于道路特征的复杂变尺度特性，通过小波变换和Otsu算法将道路特征与变换系数进行映射并实现道路自适应分段．其次，为提高模型决策能力，基于深度强化学习(deepreinforcementlearning，DRL)与奖励分解架构将自动驾驶分段决策任务分解为横向、纵向两个并联决策子任务，分别构建分段决策模型与奖励函数，设计一种动作掩蔽策略来提升模型训练速度．最后，通过一系列实验验证所提模型的有效性．实验结果表明，与传统的DRL算法相比，引入奖励分解架构与动作掩蔽策略的DRL算法不仅保证驾驶系统可靠决策，而且在通行效率、安全性等方面也有所提升．

关键词：自动驾驶道路分段小波分解深度强化学习

基金资助：国家自然科学基金资助项目(52272413).