论文阅读--Decision-making in Autonomous Driving by Reinforcement Learning Combined with Planning

此图展示了结合规划与控制模块的强化学习（RL）决策模型的总体框架。这个框架说明了决策模型输出动作后，规划与控制模块如何完成横向和纵向的动作分解，并为动作提供相应的合理路径。在横向控制方面，给定一个目标路径点，路径规划器使用A*算法优化路径并生成一系列目标路径点，这些点随后输入到PID控制器的横向控制模块中，以计算自动驾驶车辆的转向角度。在纵向控制方面，通过决策模型给出的期望加速度来计算每个控制周期的目标速度，并输入到PID控制器的纵向控制模块中，以计算自动驾驶车辆的油门值。

结合文章理解：该图展示了一个结合了规划与控制模块的强化学习（RL）决策模型的总体框架。这个框架的核心思想是将RL决策模型与车辆的规划和控制模块相结合，以提高自动驾驶车辆在实际应用中的鲁棒性和现实转移性。下面是对图中各个组件和流程的详细解释：

1. RL决策模型输出（Action Output）：

   • RL决策模型根据当前的环境状态（包括车辆自身的状态和周围环境的信息）输出一个动作指令。这个动作指令通常包括期望的加速度和变道指令。

2. 规划与控制模块（Planning & Control Module）：

   • 规划与控制模块接收RL决策模型输出的动作指令，并将其分解为横向控制（Lateral Control）和纵向控制（Longitudinal Control）两个部分。
   • 横向控制负责处理车辆的转向，纵向控制负责处理车辆的加速和减速。

3. 横向控制（Lateral Control）：

   • 横向控制模块使用A*算法来优化路径，并生成一系列目