基于深度强化学习的无人车控制系统的设计与实现

发布时间：2020-04-10 13:34

【摘要】：伴随着我国经济的迅猛发展和人民群众生活水平的大幅提高,我国小型家用汽车的数量快速增长,由此带来的道路交通问题也日益严重。随着市场需求的增长和科技的日益成熟,无人车的研究在近几年发展迅速。本文以无人车作为研究对象,针对基于深度强化学习的无人车自动驾驶任务展开研究。本文旨在实现一个具备自动驾驶功能的无人车实验模型,并以此模型来探索和验证无人车自动驾驶的相关理论和技术。在无人车控制系统的实现中,本文使用了深度强化学习理论。在使用深度强化学习理论实现无人车的控制系统时,需要进行大量的训练,这个在实际操作中实现难度很高,因此本文提出了使用仿真平台进行无人车控制系统的训练工作。因为在仿真平台和实际环境之间存在差异,所以训练之后的神经网络模型无法直接应用于无人车中。针对该问题本文提出了使用图像语义分割的技术,用来消除仿真平台和真实环境的差异,使得本文中在仿真平台上训练的模型可以直接应用到无人车任务中。本文的主要研究成果可以归纳如下:第一,本文设计实现了图像语义分割系统。在图像语义分割系统的设计实现过程中,本文充分考虑了该系统之后的应用环境。在实际的应用中,本文所使用的车载的计算机性能无法与实验室中的大型计算机相比。因此在控制系统的设计实现过程中,本文要求该系统对计算能力的要求要保持在一个较低的水平上,而且在运行时所需要的功耗也不能太高。同时考虑到无人车任务中对各个系统的响应速度要求较高,因此本文的图像语义分割系统具有很好的实时性。第二,本文设计实现了无人车的控制系统。该系统可以根据输入图像做出决策,控制无人车的各种动作,保证无人车的安全平稳运行。在该系统的设计中,本文主要基于深度强化学习。本文将网络所需要的大量训练过程放在仿真平台上进行,极大的缩短了训练的时间和难度,并且本文在训练中充分发挥了计算机的硬件性能,采用并行异步的训练方式,减小了训练所需要的空间要求,提高了训练速度。第三,本文设计实现了无人车的硬件结构,包括机械结构的设计和控制电路结构的设计。在无人车的硬件设计中,本文努力提高了硬件设施的可靠性和安全性,使用了独立悬挂系统,在硬件上保证了无人车的平稳安全运行。并且本文使用成熟的PID算法作为底层的控制算法,保证了无人车控制系统对无人车的精准控制。第四,本文设计和进行了大量的实验,用来表明算法的优秀性能,验证本文提出方法的可行性。最后,总结了本文进行的设计实现工作和研究内容,并且指出本文在设计和实现中存在的不足,说明了无人车的下一步研究方向。
【图文】：

结构图,结构图,神经网络,理论概述

第二章深度强化学习理论概述学习概述习的概念最早是在 2006 年时，Hinton[12]等在世界科学研究顶志上发表的论文中提出的。深度学习的核心内容是多层的深度神传统的多层感知器的思想，是在硬件的计算能力迅速增长之后，在上，在网络结构的深度上进行扩展，从而使神经网络获得更加强大是神经网络的最基本元素，，人工神经网络就是由不定数量的单个一个神经元就可以组成一个最简单的神经网络。图 2-1 表示的就结构：

示意图,神经网络,示意图

的神经网络是由大量的层状结构的神经网络层构成的，每一层的量的单个神经元构成，其中每个神经元都以一种特定的方式与出相连接，作为神经元的输入，同时本层的所有神经元的输出又网络中的神经元的输入，如图 2-2 所示，与上一层神经元的输出不同的参数，而本文对神经网络进行训练的目的就是为了使这定在一定的范围内，使整个网络的输出达到我们设计的要求。其上一层连接的方式都是不尽相同的，根据连接方式的不同，就出络经典结构。
【学位授予单位】：中国地质大学(北京)
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：U463.6;TP311.52;TP18

【相似文献】