Q学习结合神经网络的智能驾驶行为决策系统

摘要

近年来，随着全球经济的持续快速发展，汽车数量急剧增长，与此同时，交通事故的发生率也随之增加。交通事故统计数据表明，人的因素在引发交通事故的因素中占重要地位。如果驾驶员在驾驶决策过程中，能准确感知周围车辆的实时信息，如车辆位置、速度、行驶方向等，就能在第一时间内做出正确的判断和操作，以避免交通事故的发生。然而驾驶员在短时驾驶决策中，信息处理能力是非常有限的，无法同时获取人、车、路、环境等多源信息，以致有时不能准确、快速地判断车辆所处的环境而引发交通事故。因此，智能感知车辆环境信息并处理这些信息，帮助驾驶员判断当前环境下的最优驾驶行为，即给驾驶员提供辅助驾驶决策，对确保准确、快速的驾驶决策和道路交通安全至关重要。
　　目前针对车辆环境感知和驾驶行为决策的研究层出不穷，但是如何保证准确全面的获取车辆信息以及如何降低驾驶行为的决策的时间仍然是富有挑战性的研究方向。针对以往驾驶行为决策算法数据获取存在误差和时延的问题，本文在前期研究基于WAVE协议的车联网组播通信的基础上，实现了车与车(V2V)应用层面的数据快速交互，保证了数据的全面性和准确性。在基于WAVE协议实现了V2V快速可靠的数据交换后，设计了以多车预警和结合神经网络的Q学习决策为一体的智能决策系统，对数据交换的信息进行处理。该智能决策系统在Repast J仿真环境中进行测试，结果表明本系统能够实现车与车之间快速可靠的通信;且数据获取时间和决策算法的时间都较短，总时延只有0.5s，能为驾驶员提供实时的最优驾驶行为决策，以辅助驾驶员安全驾驶。

目录

声明

摘要

第一章 绪论

1．1 课题的背景与意义

1．2 课题研究现状

1．2．1 车联网研究现状概述

1．2．2 驾驶决策国内外研究现状

1．3 论文内容和结构

第二章 基于WAVE协议的数据交换

2．1 WAVE协议

2．2 SAE J2735协议

2．3 基于WAVE协议的数据交换过程

2．4 基于WAVE协议的数据交换仿真

2．5 本章小结

第三章 驾驶行为智能决策

3．1 智能决策系统的设计

3．2 车况信息筛选

3．3 紧急情况预警机制

3．3．1 相关定义

3．3．2 多车预警算法

3．3．3 急刹车预警与仿真

3．3．4 变道预警与仿真

3．4 驾驶行为决策

3．4．1 Q学习

3．4．2 BP神经网络

3．4．3 驾驶行为决策模型

3．4．4 决策算法

3．4．5 决策仿真

3．5 本章小结

第四章 仿真结果与分析

第五章 结论与展望

5．1 结论

5．2 展望

参考文献

发表论文和参加科研情况说明

致谢