[论文解读] Deep Reinforcement Learning in Autonomous Car Path Planning and Control: A Survey
本综述对深度强化学习（DRL）在自动驾驶路径规划与控制中的应用进行了全面分析，评估了SAC、PPO和DDPG等DRL算法在城市道路、高速公路和交叉路口场景下的表现。研究识别出样本效率、安全性和泛化能力方面的关键挑战，并提出了集成安全层与输入预处理的框架，以提升模型的鲁棒性与实际部署可行性。
Combining data-driven applications with control systems plays a key role in recent Autonomous Car research. This thesis offers a structured review of the latest literature on Deep Reinforcement Learning (DRL) within the realm of autonomous vehicle Path Planning and Control. It collects a series of DRL methodologies and algorithms and their applications in the field, focusing notably on their roles in trajectory planning and dynamic control. In this review, we delve into the application outcomes of DRL technologies in this domain. By summarizing these literatures, we highlight potential challenges, aiming to offer insights that might aid researchers engaged in related fields.
研究动机与目标
- 系统性回顾深度强化学习（DRL）在自动驾驶路径规划与控制中的最新进展。
- 分析DRL算法在动态、不确定驾驶环境中的性能与局限性。
- 识别样本效率、安全约束以及跨环境泛化等关键挑战。
- 探索DRL与传统控制系统的集成策略，以提升鲁棒性与实际适用性。
- 提出未来研究方向，包括更安全的训练方法与增强的仿真框架。
提出的方法
- 基于关键词搜索，在Web of Science、大语言模型（LLM）工具和词嵌入技术上进行系统性文献检索，筛选出约500篇与DRL及自动驾驶相关的论文。
- 根据其在路径规划、运动控制和端到端学习中的应用，对DRL方法进行分类与综合。
- 评估SAC、PPO、TD3、DQN、DDPG及基于模型的强化学习在连续控制与复杂决策任务中的性能。
- 提出一种基于分层强化学习的安全层，通过自适应约束与动态目标设定，实时监测并纠正不安全行为。
- 应用输入预处理与状态滤波技术，间接限制智能体采取危险动作，同时不损害探索能力。
- 在端到端DRL框架中集成自注意力机制与最优控制策略，以提升时序建模能力与控制精度。
实验结果
研究问题
- RQ1在动态与不确定条件下，哪些DRL算法在自动驾驶路径规划与控制中表现出更优性能？
- RQ2如何在不降低学习效率的前提下，有效保障基于DRL的自动驾驶系统安全性？
- RQ3输入预处理与状态滤波在引导DRL智能体避免危险行为方面发挥何种作用？
- RQ4基于模型的DRL与自适应动态规划（ADP）如何促进长距离控制与系统稳定性？
- RQ5DRL在真实自动驾驶中部署的主要障碍是什么？如何加以克服？
主要发现
- SAC、PPO与TD3因在复杂环境中的稳定性与样本效率，在动态路径规划任务中表现优异。
- DDPG因具备有效的梯度传播机制与高样本效率，在连续控制任务中广泛应用，适用于平滑轨迹跟踪。
- 基于模型的DRL与自适应动态规划（ADP）通过精确建模车辆动力学，在长距离控制中表现出显著有效性。
- 结合DRL、自注意力机制与最优控制策略的端到端控制框架，提升了时序推理能力并减少了误差累积。
- 采用自适应约束的分层强化学习安全层在复杂高速公路场景中显著提升了安全性能，且未影响学习速度。
- 输入预处理与状态滤波在仿真基准中使危险行为发生概率降低40–60%，在不抑制探索的前提下增强了安全性。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。