CN116534055B 一种基于驾驶员个性化的拟人变道轨迹优化方法 （同济大学）_第1页
CN116534055B 一种基于驾驶员个性化的拟人变道轨迹优化方法 （同济大学）_第2页
CN116534055B 一种基于驾驶员个性化的拟人变道轨迹优化方法 （同济大学）_第3页
CN116534055B 一种基于驾驶员个性化的拟人变道轨迹优化方法 （同济大学）_第4页
CN116534055B 一种基于驾驶员个性化的拟人变道轨迹优化方法 （同济大学）_第5页
已阅读5页，还剩22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

一种基于驾驶员个性化的拟人变道轨迹优本发明涉及一种基于驾驶员个性化的拟人过遍历所有可能的变道行为决策的终点的车辆训练完成的最大熵逆强化学习模型的奖励函数2S2、构建最大熵逆强化学习模型，所述最大熵逆S4、基于训练完成的最大熵逆强化学习模所述最大熵逆强化学习模型中，衡量个性化驾驶风格的基函数的构建过2.根据权利要求1所述的一种基于驾驶员个性化的拟人变道轨迹优化方法，其特征在e分别为变道过程结束时刻车辆的纵向速度以及横向位置。3.根据权利要求1所述的一种基于驾驶员个性化的拟人变道轨迹优化方法，其特征在ys分别为决策e分别为变道过程结束时刻车辆的纵向34.根据权利要求3所述的一种基于驾驶员个性化的拟人变道轨迹优化方法，其特征在5.根据权利要求1所述的一种基于驾驶员个性化的拟人变道轨迹优化方法，其特征在s6.根据权利要求5所述的一种基于驾驶员个性化的拟人变道轨迹优化方法，其特征在rxtrx7.根据权利要求1所述的一种基于驾驶员个性化的拟人变道轨迹优化方法，其特征在48.根据权利要求1所述的一种基于驾驶员个性化的拟人变道轨迹优化方法，其特征在9.根据权利要求1所述的一种基于驾驶员个性化的拟人变道轨迹优化方法，其特征在j驾驶风格j下概率Pj(τ)最大的候选轨迹，即为最终确定的驾驶风格j下的最优变道轨56[0012]S4、基于训练完成的最大熵逆强化学习模型的奖励函数对候选变道轨迹进行评ys分别为e分别为变道过程结束时刻车辆的[0025]其中，fs(t)为衡量驾驶安全的基函数，ffollow(t)为保证跟车安全的基函数，7f8[0048]驾驶风格j下概率Pj(τ)最大的候选轨迹，即为最终确定的驾驶风格j下的最优变[0050](1)本发明通过将基函数与驾驶风格识别结合，在拟人化基础上实现了个性化决强化学习学习不同驾驶风格下的奖励函数，再通过学习得到的奖励函数进行变道行为决9以细分为纵向目标状态和横向目标状态，即将车辆的变道运动解耦为纵向运动和横向运e[0075]最大熵逆强化学习的奖励函数由一组基函数组成，基函数是根据机理知识构建[0079]其中，fs(t)为衡量驾驶安全的基函数，ffollow(t)为保证跟车安全的基函数，[0097]由于生成的候选变道轨迹可能会与周围车辆发生碰撞，故引入碰撞惩罚的基函[0103]f(t)=I(t)l[0106]f(t)=lj(t)lyyyy[0119]f(r)=在每个时刻每个基函数的值都被归一化为[0,1]之间，以避免由于数值范围不同对系数学[0132]S4、基于训练完成的最大熵逆强化学习模型的奖励函数对候选变道轨迹进行评[0136]驾驶风格j下概率Pj(τ)最大的候选轨迹(在驾驶风格j下奖励函数值最大的轨[0

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