ترجمه فارسی مقاله تحقیق در مورد استراتژی‌های تصمیم‌گیری رانندگی خودران مبتنی بر یادگیری تقویتی عمیق

چکیده

The behavior decision-making subsystem is a key component of the autonomous driving system, which reflects the decision-making ability of the vehicle and the driver, and is an important symbol of the high-level intelligence of the vehicle. However, the existing rule-based decision-making schemes are limited by the prior knowledge of designers, and it is difficult to cope with complex and changeable traffic scenarios. In this work, an advanced deep reinforcement learning model is adopted, which can autonomously learn and optimize driving strategies in a complex and changeable traffic environment by modeling the driving decision-making process as a reinforcement learning problem. Specifically, we used Deep Q-Network (DQN) and Proximal Policy Optimization (PPO) for comparative experiments. DQN guides the agent to choose the best action by approximating the state-action value function, while PPO improves the decision-making quality by optimizing the policy function. We also introduce improvements in the design of the reward function to promote the robustness and adaptability of the model in real-world driving situations. Experimental results show that the decision-making strategy based on deep reinforcement learning has better performance than the traditional rule-based method in a variety of driving tasks.

چکیده به فارسی (ترجمه ماشینی)

زیر سیستم تصمیم گیری رفتار یکی از مؤلفه های اصلی سیستم رانندگی خودمختار است که نشان دهنده توانایی تصمیم گیری وسیله نقلیه و راننده است و نمادی مهم از هوش سطح بالا وسیله نقلیه است.با این حال ، طرح های تصمیم گیری مبتنی بر قانون موجود با دانش قبلی طراحان محدود است و مقابله با سناریوهای ترافیکی پیچیده و قابل تغییر دشوار است.در این کار ، یک الگوی پیشرفته یادگیری تقویت کننده عمیق اتخاذ شده است که می تواند با الگوبرداری از فرایند تصمیم گیری رانندگی به عنوان یک مشکل یادگیری تقویت ، به طور مستقل استراتژی های رانندگی را در یک محیط ترافیکی پیچیده و قابل تغییر یاد و بهینه کند.به طور خاص ، ما برای آزمایش های مقایسه ای از شبکه Q عمیق (DQN) و بهینه سازی سیاست پروگزیمال (PPO) استفاده کردیم.DQN نماینده را راهنمایی می کند تا با تقریب عملکرد ارزش دولت ، بهترین اقدام را انتخاب کند ، در حالی که PPO با بهینه سازی عملکرد سیاست ، کیفیت تصمیم گیری را بهبود می بخشد.ما همچنین پیشرفت هایی را در طراحی عملکرد پاداش برای ارتقاء استحکام و سازگاری مدل در موقعیت های رانندگی در دنیای واقعی معرفی می کنیم.نتایج تجربی نشان می دهد که استراتژی تصمیم گیری مبتنی بر یادگیری تقویت عمیق عملکرد بهتری نسبت به روش سنتی مبتنی بر قانون در انواع کارهای رانندگی دارد.