无人驾驶技术是当前人工智能(AI)领域的研究热点。针对传统深度Q网络(DQN)在基于视觉的换道决策上存在收敛速度慢等问题，提出了基于视觉的DQN的无人车换道决策模型。将基于注意力机制的视觉感知与DQN融合，使网络聚焦在重要的图像特征上；并引入Q-Masking机制来降低决策复杂度，加快DQN的训练收敛速度。最后，提出基于DQN的速度决策算法来构成一个完整的换道决策模型，并在仿真环境中进行训练与测试。实验结果表明：所提模型可以实现更快的换道决策策略，同时加快了DQN的收敛速度。
科研之友
微信
新浪微博
Facebook
分享链接
