CN114523990B 基于分层强化学习的自动驾驶决策方法和装置 （苏州挚途科技有限公司）_第1页
CN114523990B 基于分层强化学习的自动驾驶决策方法和装置 （苏州挚途科技有限公司）_第2页
CN114523990B 基于分层强化学习的自动驾驶决策方法和装置 （苏州挚途科技有限公司）_第3页
CN114523990B 基于分层强化学习的自动驾驶决策方法和装置 （苏州挚途科技有限公司）_第4页
CN114523990B 基于分层强化学习的自动驾驶决策方法和装置 （苏州挚途科技有限公司）_第5页
已阅读5页，还剩18页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

城青龙港路58号天成时代商务广场US2021200212A1,202基于分层强化学习的自动驾驶决策方法和本发明提供了基于分层强化学习的自动驾2将所述感受野模型和所述第一预测轨迹输入到强化学习算法中根据环境信息和上一时刻的决策实时动态调整所述感受野模型，预测模块，用于获取上游数据，所述上游数据包括感知融合数决策规划模块，用于将所述感受野模型和所述第一预测轨迹输入到强化学习算法中，39.一种具有处理器可执行的非易失的程序代码程序代码使所述处理器执行所述权利要求1至4任4针对性提升。通过分层强化学习也可以更直接的获得模型内部数据的一些语义层的解释，使用的时候仅仅会使用部分较为关注的车辆，在这个过程中一些边缘车辆就会做无效预[0005]有鉴于此，本发明的目的在于提供基于分层强化学习的自动驾驶决策方法和装[0008]将所述上游数据输入到深度学习的模型中，输出得到感受野模型和第一预测轨5[0023]在当前时刻对所述调整后的感受野模型进行预测，得到动态变换的第二预测轨6的难点已经逐渐在预测和决策模块中暴露出来，如何做超越人类思考的自动驾驶智能体，7测试，解决问题，对于自动驾驶领域而言有重要价值，分层强化学习技术(HierarchicalReinforcementLearning)作为一种主流的强化学习技术，在实际应用中能够解决基础强[0056]本申请通过将预测模块和决策模块耦合，将预测模块作为强化学习的管理层8况进行决策推断(给定假设为车辆的决策会被执行，决策规划模块采用一种现行效果较好9[0100]本申请使用的强化学习算法可以获得相比状态机更好的泛化能力和更小的维护[0110]本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论