Neues DRL-Framework verbessert Sicherheit an unregelmäßigen Kreuzungen
Autonome Fahrzeuge stehen vor einer großen Herausforderung, wenn sie an Kreuzungen ohne Verkehrszeichen navigieren müssen. Komplexe, dynamische Interaktionen zwischen Fahrzeugen erhöhen das Risiko von Kollisionen erheblich. Um diesen Gefahren proaktiv zu begegnen, präsentiert ein neues Forschungsprojekt ein Deep‑Reinforcement‑Learning‑Framework, das mit einer sogenannten „biased attention“‑Mechanik ausgestattet ist.
Das System baut auf dem Soft Actor‑Critic (SAC) Algorithmus auf und nutzt die biased attention, um einen Verkehrsrisikopredictor zu erstellen. Dieser Predictor bewertet die langfristige Kollisionsgefahr für ein Fahrzeug, das die Kreuzung betritt, und wandelt das Ergebnis in ein dichtes Belohnungssignal um. Durch diese Rückmeldung kann der SAC-Agent sichere und effiziente Fahrentscheidungen treffen, ohne dabei die Verkehrseffizienz zu opfern.
Simulationen zeigen, dass das vorgeschlagene Verfahren sowohl die Verkehrseffizienz als auch die Fahrzeugsicherheit an unregelmäßigen Kreuzungen deutlich verbessert. Die Ergebnisse belegen die Wirksamkeit des intelligenten Entscheidungsframeworks in komplexen Verkehrsszenarien. Der komplette Code ist öffentlich zugänglich unter https://github.com/hank111525/SAC-RWB.