Детальная информация

Цель – разработка безопасной и эффективной модели принятия решений об обгоне для автономных автомобилей в многополосном смешанном движении. Предмет – современные автоматизированные методы принятия решений для автономного вождения на основе иерархического обучения с подкреплением. Задачи: 1. Изучить архитектуру систем принятия решений об обгоне. 2. Проанализировать исследования по обучению с подкреплением и иерархическому RL. 3. Разработать метод обгона на основе иерархического SAC со вспомогательной V-функцией (HAV-SAC) 4. Реализовать программно верхний и нижний уровни, модуль переключения стратегий и динамическую зону безопасности. 5.Оценить эффективность, безопасность и робастность в имитационном моделировании. Результаты – разработана модель HAV-SAC для оптимального обгона в сложных многополосных средах. Модель показывает удовлетворительную частоту обгона (80.52%), среднюю скорость (53.69 км/ч) и безопасность (0.14 столкновений за эпизод). Динамическая зона безопасности снижает частоту столкновений до 0.011. Вывод: иерархическое RL с обновлением нижнего уровня по вспомогательной V-функции и динамическим вмешательством значительно улучшает эффективность и безопасность обгона.

The purpose of the study is to develop a safe and efficient overtaking decision model for autonomous vehicles in multi-lane mixed traffic. The subject of the work is modern automated decision-making methods for autonomous driving based on hierarchical reinforcement learning. The research set the following goals: 1. Studying autonomous overtaking decision system architecture. 2. Analyzing reinforcement learning and hierarchical RL algorithms for autonomous driving. 3. Developing an overtaking decision method based on hierarchical SAC with auxiliary V-value function (HAV-SAC). 4. Software implementation including upper/lower networks, policy switching, and dynamic safety zone. 5. Assessing overtaking performance, safety, and robustness via simulation. The work resulted in a tool (HAV-SAC) for optimal overtaking decisions in complex multi-lane environments. The tool shows satisfactory overtaking rate (80.52%), average speed (53.69 km/h), and safety (0.14 ollisions/episode). Dynamic safety zone further reduces collisions to 0.011/episode. The study concludes that hierarchical RL with auxiliary V-value updates and dynamic safety intervention significantly improves overtaking performance and safety. The results can be used as a base for designing intelligent decision-making for autonomous vehicles, especially safe overtaking in mixed traffic.