基于深度强化学习的智能车辆风险评估决策模型

范泽敏; 吴翊恺; 王晨菡

doi:10.16749/j.cnki.jecjtu.20250925.009

华东交通大学学报 ›› 2026, Vol. 43 ›› Issue (01) : 82 -92. DOI: 10.16749/j.cnki.jecjtu.20250925.009

基于深度强化学习的智能车辆风险评估决策模型

范泽敏, 吴翊恺, 王晨菡

作者信息 +

Author information +

文章历史 +

PDF

摘要

为解决高速公路环境下车辆的安全驾驶决策问题，提出了一种基于深度强化学习与风险评估的智能车辆决策模型。首先，提出一种基于贝叶斯理论的位置不确定性量化方法，用于驾驶风险的建模与量化；然后，在决策模型中引入自注意力机制，帮助车辆感知复杂场景下的潜在危险，避免执行危险决策；最后，在Highway-env仿真平台构建仿真环境，通过仿真实验对模型进行训练和测试，并设计多种实验对比。结果表明，提出的RA-PPO-Mul模型实现了98%的无碰撞安全率和更高的行车效率，优于传统强化学习模型和仅引入单一模块的模型。