付一豪，鮑 泓，梁天驕，付東普，潘 峰

（1.北京聯(lián)合大學(xué) 北京市信息服務(wù)工程重點(diǎn)實(shí)驗(yàn)室，北京 100101；2.北京聯(lián)合大學(xué) 機(jī)器人學(xué)院，北京 100027；3.首都經(jīng)濟(jì)貿(mào)易大學(xué) 管理工程學(xué)院，北京 100070）

0 引 言

隨著無人駕駛技術(shù)的逐漸落地，這些技術(shù)運(yùn)行的安全性和魯棒性問題得到了廣泛關(guān)注。基于機(jī)器學(xué)習(xí)的算法無需嚴(yán)格的編程規(guī)則就能解決復(fù)雜問題，在對(duì)大量樣本數(shù)據(jù)進(jìn)行適當(dāng)訓(xùn)練后，模型就擁有處理不可預(yù)見情況的能力［1，2］。但該類算法存在訓(xùn)練需要大量數(shù)據(jù)，而數(shù)據(jù)的獲得以及標(biāo)注成為發(fā)展的一大障礙。

近些年，隨著AlphaGo［3］在圍棋比賽上出色的發(fā)揮，深度強(qiáng)化學(xué)習(xí)迅速成為研究熱點(diǎn)并應(yīng)用在各個(gè)領(lǐng)域［4～8］。有研究者將深度強(qiáng)化學(xué)習(xí)應(yīng)用在換道決策算法中，比如基于深度Q網(wǎng)絡(luò)（deep Q network，DQN）的換道決策方法［9～12］，其中，文獻(xiàn)［10］將周圍車輛的位置和速度信息進(jìn)行卷積特征提取，讓DQN進(jìn)行車速與換道的決策，但在實(shí)驗(yàn)中過于理想化，雖可直接獲取所有車輛的信息，但沒有很好地解決DQN收斂速度慢的問題。另外，在基于視覺的無人車換道決策研究方面，DQN 相關(guān)文獻(xiàn)較少，大多數(shù)是使用DDPG（deep deterministic policy gradient）與長(zhǎng)短期記憶（long short-term memory，LSTM）結(jié)合的方式［13］，這些方法較為復(fù)雜，不易實(shí)現(xiàn)且實(shí)時(shí)性較差，難以滿足實(shí)際需求。

為了更好地解決上述問題，本文提出了基于視覺DQN的無人車換道決策模型。

1 理論與方法

本文所提決策模型結(jié)構(gòu)如圖1 所示?；谝曈XDQN的換道決策模塊，根據(jù)前方視覺圖像進(jìn)行換道決策，基于DQN的速度決策模塊，根據(jù)前車及本車信息進(jìn)行速度決策。

圖1 基于視覺DQN的無人車換道決策模型結(jié)構(gòu)

1.1 DQN

DQN針對(duì)傳統(tǒng)的強(qiáng)化學(xué)習(xí)方法無法處理高維輸入的問題，使用神經(jīng)網(wǎng)絡(luò)來替代原始的學(xué)習(xí)Q 表，直接將環(huán)境狀態(tài)映射為智能體動(dòng)作。它擁有兩大特點(diǎn)：經(jīng)驗(yàn)回放和雙網(wǎng)絡(luò)結(jié)構(gòu)。經(jīng)驗(yàn)回放可讓DQN進(jìn)行離線訓(xùn)練，并去除樣本相關(guān)性。雙網(wǎng)絡(luò)結(jié)構(gòu)也是打亂相關(guān)性的一種機(jī)制，它建立2個(gè)參數(shù)不同、結(jié)構(gòu)相同的網(wǎng)絡(luò)，分別為估值網(wǎng)絡(luò)和目標(biāo)網(wǎng)絡(luò)。估值網(wǎng)絡(luò)擁有最新的參數(shù)，每訓(xùn)練一段時(shí)間，就將其參數(shù)更新到目標(biāo)網(wǎng)絡(luò)上。算法更新公式如式（1）所示

式中 Q（st，at）為估計(jì)值，Q′（st＋1）為目標(biāo)值，lr為學(xué)習(xí)率，R為獎(jiǎng)勵(lì)值，γ為衰減因子，結(jié)構(gòu)如圖2所示。

圖2 DQN結(jié)構(gòu)

1.2 基于視覺DQN的換道決策算法

本文算法以DQN 為網(wǎng)絡(luò)主體，輸入數(shù)據(jù)為三原色（RGB）圖像。首先將Xception 卷積模型［14］加入在網(wǎng)絡(luò)前部，并與注意力機(jī)制結(jié)合，用以提取特征，接著將特征信息展平與全連接層結(jié)合輸出Q 值，最后結(jié)合Q-Masking 輸出最終動(dòng)作，如圖3所示。

圖3 基于視覺DQN的無人車換道決策算法結(jié)構(gòu)

1.2.1 注意力機(jī)制

本文網(wǎng)絡(luò)模型為了使DQN 聚焦圖像中的重要特征以提高網(wǎng)絡(luò)的收斂速度，特引入注意力機(jī)制，其模塊為卷積塊注意力模塊（convolutional block attention module，CBAM）［15］，該模塊分為兩部分：通道注意力和空間注意力，通道注意力主要關(guān)注有意義的特征，而空間注意力則關(guān)注特征的位置信息。其過程如式（2）所示

式中 ?為element-wise乘法操作，Mc為通道注意力操作，F(xiàn)為輸入的特征圖，Ms為空間注意力操作，結(jié)構(gòu)如圖4。

圖4 CBAM結(jié)構(gòu)

1.2.2 狀態(tài)空間、動(dòng)作空間、獎(jiǎng)勵(lì)函數(shù)及Q-Masking定義

狀態(tài)空間s，動(dòng)作空間a及獎(jiǎng)勵(lì)函數(shù)R定義

其中，s為680 ×480的RGB圖像；a1為保持車道動(dòng)作，a2，a3分別為左、右換道；dchange為期望換道距離，dfront為前車距無人車的距離，dtarget為目標(biāo)車道（換道對(duì)應(yīng)的車道）上目標(biāo)車輛的距離；w1，w2皆為權(quán)重參數(shù)。該獎(jiǎng)勵(lì)函數(shù)用以引導(dǎo)無人車做出合適的換道決策：當(dāng)無人車保持車道時(shí)，按式（3）獎(jiǎng)勵(lì)函數(shù)R公式中第一行給予獎(jiǎng)勵(lì)；當(dāng)無人車選擇換道時(shí)，按第二行給予獎(jiǎng)勵(lì)。

Q-Masking設(shè)置：1）當(dāng)車道為0 時(shí)禁止左轉(zhuǎn)，車道為3時(shí)禁止右轉(zhuǎn)；2）當(dāng)無人車距目標(biāo)車道車輛距離小于安全距離，則禁止換道。

1.3 基于DQN的速度決策模塊

主體網(wǎng)絡(luò)為DQN，輸入數(shù)據(jù)為前車距離、前車速度和本車車速。其結(jié)構(gòu)如圖5所示。

圖5 基于DQN的速度決策算法結(jié)構(gòu)

狀態(tài)空間s，動(dòng)作空間a及獎(jiǎng)勵(lì)函數(shù)R定義

其中，vfront為前車車速，vself為本車車速；a4為保持車速，a5，a6分別為加、減速5 km／h；dwilling為無人車期望與前車保持的距離；w3為權(quán)重系數(shù)。該獎(jiǎng)勵(lì)函數(shù)期望與前車保持合適的距離來應(yīng)對(duì)換道需求。

Q-Masking設(shè)置：1）若前車較遠(yuǎn)，則最高速行駛；若與前車距離接近安全距離，則強(qiáng)制減速。2）當(dāng)車速達(dá)到最高時(shí)，禁止加速；當(dāng)車速達(dá)到最低時(shí)，禁止減速。

1.4 Q-Masking

Q-Masking在本文的應(yīng)用體現(xiàn)在以下3個(gè)方面：1）先驗(yàn)規(guī)則的應(yīng)用，例如在換道過程中，若無人車在最左側(cè)車道，則禁止向左換道；2）約束的應(yīng)用，例如限速，當(dāng)車速達(dá)到最高時(shí)，屏蔽加速動(dòng)作；3）基于規(guī)則的方法應(yīng)用，例如基于規(guī)則的碰撞時(shí)間方法，屏蔽導(dǎo)致碰撞的決策。

經(jīng)過上述3個(gè)方面的應(yīng)用，無人車直接將已有的先驗(yàn)知識(shí)納入學(xué)習(xí)過程，無需為異常狀態(tài)（碰撞）設(shè)置負(fù)獎(jiǎng)勵(lì)，從而簡(jiǎn)化獎(jiǎng)勵(lì)函數(shù)，擺脫這類先驗(yàn)狀態(tài)的探索。其本身學(xué)習(xí)速度加快，在學(xué)習(xí)過程中更加專注于高級(jí)策略。

Q-Masking與DQN結(jié)合的算法流程如下：初始化記憶表M初始化估值網(wǎng)絡(luò)Q以及目標(biāo)網(wǎng)絡(luò)Q′

其中，N為總回合數(shù)，Tmax為單回合最大時(shí)間，p為隨機(jī)概率，ε為貪婪因子即以多少概率采取隨機(jī)動(dòng)作。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)環(huán)境與相關(guān)參數(shù)設(shè)定

仿真平臺(tái)為Carla。它主要用于城市自動(dòng)駕駛系統(tǒng)的開發(fā)、訓(xùn)練以及驗(yàn)證。實(shí)驗(yàn)場(chǎng)景為具有四車道的高速路，如圖6（a）所示。實(shí)驗(yàn)采用Python3.7 作為編程語言，神經(jīng)網(wǎng)絡(luò)框架使用Tensorflow-GPU2.1，顯卡NVIDIA GTX3070。設(shè)定訓(xùn)練最大回合數(shù)為10000，單回合最大時(shí)間為2 min，終止條件為無人車達(dá)到單回合最大時(shí)間或到達(dá)終點(diǎn)，車程為1 km，單回合車流量為40，中間兩車道車流量大，兩邊車道車流量相對(duì)較小，其車流量分布如圖6（b）所示。

圖6 實(shí)驗(yàn)場(chǎng)景與車流量分布

每輛車的初始位置在預(yù)設(shè)置的200個(gè)出生點(diǎn)中隨機(jī)選取，初始車速范圍為30 ～40 km／h，道路限速為50 km／h，車輛的行駛控制采用Carla自帶的自動(dòng)駕駛功能。無人車的橫向控制采用傳統(tǒng)的純追蹤算法。

本文取衰減因子γ ＝0.95，學(xué)習(xí)率設(shè)置為0.001，批尺寸大小為32，記憶庫容量為20 000。此外，為了防止樣本失衡，特將記憶庫均分成2個(gè)部分：換道數(shù)據(jù)存儲(chǔ)與保持車道數(shù)據(jù)存儲(chǔ)，從而保證數(shù)據(jù)平衡性，使網(wǎng)絡(luò)最終能夠收斂。

2.2 算法訓(xùn)練與分析

2.2.1 基于DQN的速度決策算法訓(xùn)練與分析

本文提出的算法與2021 世界智能駕駛挑戰(zhàn)賽（天津）仿真賽中，自動(dòng)駕駛賽項(xiàng)冠軍所采用的基于規(guī)則的換道決策算法［16］進(jìn)行比較，最后通過分析總獎(jiǎng)勵(lì)，來描述模型訓(xùn)練結(jié)果，如圖7（a）所示。可知，本文算法在訓(xùn)練350 次，獎(jiǎng)勵(lì)趨于穩(wěn)定，均值在290，優(yōu)于對(duì)比算法的速度決策。

圖7 模型訓(xùn)練結(jié)果

2.2.2 基于視覺DQN的換道決策算法訓(xùn)練與分析

在基于DQN的速度決策算法的基礎(chǔ)上，本文對(duì)基于注意力機(jī)制的換道決策算法進(jìn)行消融實(shí)驗(yàn)并與比賽方法進(jìn)行對(duì)比，通過分析規(guī)定時(shí)間內(nèi)到達(dá)終點(diǎn)的成功率以及總獎(jiǎng)勵(lì)，來描述模型訓(xùn)練結(jié)果，如圖7（b）和圖7（c）所示。

由圖7（b）可知，訓(xùn)練10 000 次后本文方法、無注意力機(jī)制方法的成功率分別為99.6%和99.3%，本文方法在訓(xùn)練過程中成功率最高且提升快。由圖7（c）可知，本文算法在訓(xùn)練400 次，獎(jiǎng)勵(lì)趨于穩(wěn)定，均值在510；無注意力機(jī)制算法在訓(xùn)練1 800 次，獎(jiǎng)勵(lì)趨于穩(wěn)定，均值在440；比賽方法平均獎(jiǎng)勵(lì)為410。綜上，本文方法可以明顯提升DQN 的收斂速度，同時(shí)體現(xiàn)了強(qiáng)化學(xué)習(xí)的優(yōu)越性。

2.3 算法測(cè)試與分析

場(chǎng)景1的車流量為40，場(chǎng)景2的車流量為100。3種算法的測(cè)試結(jié)果如表1所示。

表1 3 種算法測(cè)試結(jié)果

由表1可知，場(chǎng)景1中，本文方法在平均獎(jiǎng)勵(lì)和平均速度方面皆高于其他方法；場(chǎng)景2中，在車輛相對(duì)密集的條件下，3種方法的平均獎(jiǎng)勵(lì)和平均速度有所下降，但本文方法仍能發(fā)揮較好的性能。

3 結(jié) 論

在基于視覺的無人車換道決策算法應(yīng)用上，本文提出了基于視覺DQN的無人車換道決策算法，通過結(jié)合注意力機(jī)制和Q-Masking方法，簡(jiǎn)化獎(jiǎng)勵(lì)函數(shù)，解決了DQN收斂速度慢等問題。實(shí)驗(yàn)結(jié)果表明：本文所提出的方法在滿足實(shí)時(shí)性要求的同時(shí)，在平均獎(jiǎng)勵(lì)和平均速度方面都有較大提升，為無人駕駛技術(shù)提供了一種換道方案選擇。