机械工程学报

作者：林歆悠, 叶卓明, 周斌豪

单位：福州大学机械工程及自动化学院 福州 350002

关键词：自动驾驶,转向控制,路径跟踪,强化学习,深度Q学习神经网络；

基金：国家自然科学基金(52272389);福建省自然科学基金(2020J01449);华东交通大学载运工具与装备教育部重点实验室开放课题(KLCF2022-08);安徽工程大学检测技术与节能装置安徽省重点实验室开放研究基金(JCKJ2021A04)资助项目。

为解决自动驾驶汽车的自主转向问题，大多研究主要基于模型预测控制（Modelpredictivecontrol,MPC）策略，而传统MPC策略需要被控对象精确的数学模型同时需要大量实时控制计算。为此，提出一种基于深度Q-Learning神经网络（Deep Q-Learning neural network,DQN）强化学习的转向控制策略，使自动驾驶汽车能够精准有效地进行路径跟踪，提高路径跟踪精度和稳定性。该策略基于DQN强化学习通过选取合适的学习率对智能体进行训练，使训练后的智能体能够自适应根据不同路况和车速得到最佳的前轮转角。仿真对比结果表明，与无约束的线性二次型调节器（Linear quadraticregulator,LQR）控制策略相比，基于DQN强化学习的控制策略的累计绝对横向位置偏差以及累计绝对横摆角度偏差都有较大的增加，但也在可接受的范围内，能有效提高路径跟踪的精度。最后的实车试验结果同样表明了所制定的控制策略的有效性。

来源：2023年第16期

《机械工程学报》期刊编辑部

查看机械工程学报杂志2023年第16期