高速行驶的汽车在道路换道时需要保持安全的间距与车速,为保障汽车在换道过程安全行驶,提出一种基于动态空间转换法(Ego Dynamic Space Transform,EDST)与强化学习(Double Deep Q Network,DDQN)的多场景汽车避障预警算法。将单目深度预...高速行驶的汽车在道路换道时需要保持安全的间距与车速,为保障汽车在换道过程安全行驶,提出一种基于动态空间转换法(Ego Dynamic Space Transform,EDST)与强化学习(Double Deep Q Network,DDQN)的多场景汽车避障预警算法。将单目深度预估图作为汽车航点最佳时刻,采用DDQN算法检测图像输入并执行动作输出。由于车辆换道场景的复杂性,采用对抗学习法(Adversarial Discriminative Domain Adaptation,ADDA)处理目标场景数据,实现车辆不同场景下的换道操作。选择多种场景测试车辆避障模型性能,所提出的自适应模型在复杂双向车道场景碰撞次数最少为3次。同时,能够换道数量最多为42次,优于EDST、DDQN以及DDQN+EDST模型,满足智能汽车安全换道要求。研究内容为高速驾驶车辆紧急避险提供重要的技术参考。展开更多
文摘高速行驶的汽车在道路换道时需要保持安全的间距与车速,为保障汽车在换道过程安全行驶,提出一种基于动态空间转换法(Ego Dynamic Space Transform,EDST)与强化学习(Double Deep Q Network,DDQN)的多场景汽车避障预警算法。将单目深度预估图作为汽车航点最佳时刻,采用DDQN算法检测图像输入并执行动作输出。由于车辆换道场景的复杂性,采用对抗学习法(Adversarial Discriminative Domain Adaptation,ADDA)处理目标场景数据,实现车辆不同场景下的换道操作。选择多种场景测试车辆避障模型性能,所提出的自适应模型在复杂双向车道场景碰撞次数最少为3次。同时,能够换道数量最多为42次,优于EDST、DDQN以及DDQN+EDST模型,满足智能汽车安全换道要求。研究内容为高速驾驶车辆紧急避险提供重要的技术参考。
