基于强化学习的自动驾驶汽车换道决策研究

换道作为车辆行驶的常见行为之一;操作不当极易引发交通事故。针对自动驾驶汽车的换道决策问题;提出了一种基于强化学习的DDQN（双深度Q网络）模型;该模型通过离散动作空间;结合驾驶舒适性、效率、安全性和换道惩罚四个方面设计奖励函数;以优化换道决策。为验证换道决策模型的性能;基于SUMO和真实高速公路车辆数据集搭建高速公路场景下的仿真模型。对比实验结果表明;DDQN模型在驾驶舒适性、交通效率、任务成功率及车辆平均行程速度方面均优于传统的DQN（深度Q网络）和Dueling DQN（对决深度Q网络）模型;且换道次数较少。此外;在四种不同交通拥堵场景下的实验结果显示;DDQN模型在不同拥堵情况下均保持了良好的性能;任务成功率均超过75%。研究表明;基于强化学习的DDQN算法能够为自动驾驶汽车提供有效的换道决策支持。