汽车电子研究中心

研究方向 / 智能驾驶
研究方向简介 / Research Direction

主要针对智能驾驶车辆和相关关键技术发展的需求,将通信安全、激光雷达、机器视觉、主动安全、节能等技术运用到车辆系统中,开展系统性的多学科交叉研究。
1.感知
针对车用雷达和机器视觉的信息融合技术和视觉探测与测量技术中空间三维信息构建等新技术进行研究
2.自主驾驶决策
基于深度强化学习的框架,构建自动驾驶策略学习算法模型,并利用并行计算提高数据集的训练效率。
3. 车联网通信安全
对车联网的接入身份认证、安全行驶、计费管理、交通管理、数据通信等进行数据加解密,身份认证、密钥分发的研究。
4.节能驾驶
通过路径规划和车速调整来实现节能的研究,结合交通大数据环境,实现电动汽车的智能节能,从而从整个城市的层面实现节能。

强化学习与自动驾驶策略 / Selected Projects

      自动驾驶技术视为是解决交通事故,拥堵,尾气污染等一系列交通问题的新兴技术。由于感知数据的庞杂,原有基于规则的专家系统或自动化控制理论无法有效地实现自动驾驶决策。文章提出一种基于深度强化学习的自动驾驶策略模型学习的新方法,采用强化学习的在线交互式学习方法对深度网络模型进行训练,并基于专业司机的历史数据信息对模型进行预训练,然后结合经验池回放技术,有效提高收敛速度;同时对状态空间进行聚类再采样,提高其独立同分布的特性,因此提高了策略模型的泛化能力。实验结果显示,文章提出的方法与神经网络拟和Q-迭代算法相比,在300次实验中降低92%左右的时间消耗,同时在50次测试中,稳定性能提高大约34%。并且以复杂度略高于训练集的测试道路长度为基准,与经验过滤的Q-学习算法相比,采用聚类再采样的方法可以使策略模型的平均行驶距离提高73.4%。





成果 / Intellectual Properties

代表性论文 / Selected Papers

1.夏伟,李慧云*,基于深度强化学习的自动驾驶策略学习方法,集成技术,第6卷 第3期,2017 年5 月。
2.Wei Xia, Huiyun Li*, Baopu Li, “A Control Strategy of Autonomous Vehicles based on Deep Reinforcement Learning”,2016 9th International Symposium on Computational Intelligence and Design (ISCID 2016),Hangzhou,China,10-12 Dec,2016. 

代表性专利 / Selected Patents

1.发明专利,一种汽车的自动驾驶方法与装置,夏伟,李慧云,申请号:201710156331.8,申请日:2017.3.16
2.发明专利,一种用于车辆自动驾驶的决策网络模型的生成方法及装置,夏伟,李慧云,申请号:201710201086.8,申请日:2017.3.30