【自动驾驶】基于强化学习的自动驾驶汽车路径规划方法研究综述学习笔记

最新推荐文章于 2025-12-03 15:13:50 发布
原创 最新推荐文章于 2025-12-03 15:13:50 发布 · 730 阅读 · 4 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#自动驾驶 #动态规划 #图搜索算法

本文综述了基于强化学习的自动驾驶汽车路径规划方法，包括常规算法的比较、深度强化学习的应用以及Q-Learning、SARSA和Actor-Critic等具体技术的探讨。作者还讨论了强化学习方法的改进措施和未来展望。

基于强化学习的自动驾驶汽车路径规划方法研究综述学习笔记

  • 一、文章结构

  • 二、基于常规算法的路径规划方法

  • 三、基于强化学习的路径规划方法

分类

  • 四、基于深度强化学习的路径规划方法

最低0.47元/天 解锁文章
车辆路径规划 | 强化学习与车辆路径规划问题（CVRP)
前程算法屋的博客
01-28 1273
车辆路径规划 | 强化学习与车辆路径规划问题（CVRP)
基于图神经网络强化学习解决车辆路径规划问题
机器学习深度学习业余选手
01-17 2084
基于图神经网络强化学习解决车辆路径规划问题
基于深度强化学习的网约车动态路径规划 阅读笔记
xiaochen_hzau的博客
01-09 754
当网约车被分配给一个请求后,它会首先沿着最短路径前往请求的起点去接乘客,然后驶向请求的终点以完成服务．如果一个请求在其最长等待时间内都没。状态：元组中的元素分别表示网格下标、当前时间片的索引、全局的空闲车辆与等待中的请求数量之差,以及该网格的网约车供应量和乘客需求。回合．在该问题设定中,一个回合是从８∶００到２２∶００的繁忙时段．因此,时间t在２２∶００之后的状态为终止状态。车队管理模块：跟踪网约车的实时位置，以获取下一个时间片网约车供应量。请求预测模块：根据历史的请求时空分布,预测未来的网约车需求分布。
路径规划算法综述
咸鱼很渴的博客
12-21 2万+
本文介绍了路径规划算法，包括传统路径规划算法和智能算法，传统算法与智能算法目前都有一定的优缺点和应用场景。目前来看，算法主要问题仍然在于算法收敛速度和容易陷入局部最优化等问题，针对各种算法， 许多学者也都进行了改进，以扩大算法的应用面。相信随着研究的深入，将会有越来越多的算法被提出以及现有算法将会得到更好的改善。
求解车辆路径问题的强化学习方法
zuiyishihefang的博客
10-30 3864
1文章信息《Reinforcement Learning for Solving the Vehicle Routing Problem》是32nd Conference on Neural Information Processing Systems (NeurIPS 2018)上的一篇文章。2 摘要我们提出了一种利用强化学习方法解决车辆路径问题(VRP)的端到端框架。在这种方法中，我们训练一...
书评&学习笔记《自动驾驶汽车环境感知》
小树屋
08-31 2205
对自动驾驶感知有一个框架式的介绍。 优点： - 专门介绍感知的书很少，这本书填补了这一块空白。做到了对感知有一个全方位的介绍。追求更详细的感觉可以直接看论文。 - 而且编排结构合理。 - 成书稍晚，选材也新一些。......
【笔记】自动驾驶预测与决策规划_Part8_数据驱动的规划方法
qq_39764867的博客
11-26 2667
1.生成模型 2. 模仿学习 3.强化学习
无人驾驶车辆规划+轨迹跟踪控制学习笔记（1）
小兮学习日记
12-07 1400
无人驾驶车辆规划+轨迹跟踪控制学习笔记（2）
多智能体深度强化学习综述笔记
m0_66988867的博客
11-09 6004
多智能体深度强化学习是机器学习领域的一个新兴研究热点与应用方向，覆盖众多算法、规则、框架、并广泛应用于自动驾驶、能源分配、编队控制、路径规划、社会难题等领域，具有很高的研究价值与意义。
路径规划 强化学习_强化路径处理问题
cunchi8090的博客
07-22 3090
路径规划 强化学习 目标 (Goal) The reason for this article is to suggest a solution to Fortify Path Manipulation issues. 本文的目的是为Fortify Path Manipulation问题提供解决方案。 背景 (Background) Many companies, like my own,...
基于深度强化学习的路径规划笔记
热门推荐
weixin_41697507的博客
04-24 3万+
MazePathFinder using deep Q Networks 该程序将由几个封锁（由块颜色表示）组成的图像作为输入，起始点由蓝色表示，目的地由绿色表示。 它输出一个由输入到输出的可能路径之一组成的图像。 下面显示的是程序的输入和输出。 输入图像被馈送到由2个conv和2个fc层组成的模型，其输出对应于底部和右侧动作的Q值。 代理根据哪个Q值更大而向右或向下移动，并且使用代理的新位置...
基于深度强化学习的网约车动态路径规划
罗伯特技术屋
08-18 1102
摘 要 随着移动互联网的快速发展，许多利用手机App打车的网约车平台也应运而生.这些网约车平台大大减少了网约车的空驶时间和乘客等待时间，从而提高了交通效率.作为平台核心模块，网约车路径规划问题致力于调度空闲的网约车以服务潜在的乘客，从而提升平台的运营效率，近年来受到广泛关注.现有研究主要采用基于值函数的深度强化学习算法(如deep Q-network, DQN)来解决这一问题.然而，由于基于值函数的方法存在局限，无法应用到高维和连续的动作空间.提出了一种具有动作采样策略的执行者-评论者(actor-crit
基于深度强化学习的网约车动态路径规划 Dynamic Ride-Hailing Route Planning Based on Deep Reinforcement Learning
daisyxyr的博客
04-29 1427
11.基于深度强化学习的网约车动态路径规划 Dynamic Ride-Hailing Route Planning Based on Deep Reinforcement Learning 摘要：随着移动互联网的快速发展，许多利用手机App打车的网约车平台也应运而生.这些网约车平台大大减少了网约车的空驶时间和乘客等待时间，从而提高了交通效率.作为平台核心模块，网约车路径规划问题致力于调度空闲的网约车以服务潜在的乘客，从而提升平台的运营效率，近年来受到广泛关注.现有研究主要采用基于值函数的深度强化学习算法(如
Co-MTP：面向自动驾驶的多时间融合协同轨迹预测框架
m0_65010824的博客
12-02 1036
本文是对论文《Co-MTP: A Cooperative Trajectory Prediction Framework with Multi-Temporal Fusion for Autonomous Driving》的深度解读。在自动驾驶领域，V2X技术虽能突破单车感知局限，但现有研究难充分利用帧间时间线索支撑轨迹预测。同济大学团队提出Co-MTP框架，创新实现历史与未来双时间域融合，以异构图Transformer处理不完整历史轨迹、扩展至未来域捕捉交互，在V2X-Seq数据集获最优性能。
《自动驾驶与大模型融合新趋势：端到端感知-决策一体化架构分析》
nmdbbzcl的博客
12-01 691
从规则工程到大模型，从模块堆叠到端到端一体化。过去依赖工程师“穷举规则”的时代，已经无法支撑未来复杂城市交通与全球化扩张的需求；而以大模型为核心、端到端感知-决策一体化的架构，则在可扩展性、泛化能力和迭代效率上展现出巨大的潜力。特斯拉 FSD V12/13 用大规模端到端模型在量产车上完成了“从 perception-heavy 到 behavior-heavy”的范式转变；UniAD、DriveGPT4 等研究工作证明了，在学术基准数据集和模拟环境中，端到端一体化可以显著提升整体闭环表现；
目标检测数据集 - 自动驾驶场景驾驶员注意力不集中检测数据集下载
极智视界
12-01 412
目标检测数据集 - 自动驾驶场景驾驶员注意力不集中检测数据集下载「包含VOC、COCO、YOLO三种格式」
FSD入华“加速”中国自动驾驶产业的推动与重构
最新发布
lmj1689120的博客
12-03 436
FSD入华将促进中国自动驾驶产业从"跟跑"到"并跑"甚至"领跑"的转变，为中国智能网联汽车产业的高质量发展注入新的活力
挥手示意车辆先行，自动驾驶为何常 “不知所措”？ Alpamayo-R1给出新解法
finehoo_andy的博客
12-02 715
2025 年 NeurIPS 人工智能大会（加利福尼亚州圣地亚哥举办）上，英伟达发布的，被业内称为 “自动驾驶领域首个视觉语言动作模型”。这款开源工具的核心目标，正是解决自动驾驶长期面临的 “常识判断” 难题 —— 而这一切技术落地，都离不开 GPU 服务器的算力支撑。
自动驾驶场景驾驶员注意力安全行为睡驾分心驾驶疲劳驾驶检测数据集VOC+YOLO格式5370张6类别
FL1623863129的博客
12-02 203
标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["DangerousDriving","Distracted","Drinking","SafeDriving","SleepyDriving","Yawn"]数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)标注数量(xml文件个数)：5370。标注数量(txt文件个数)：5370。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值