Python实现自动驾驶

一、安装环境

gym是用于开发和比较强化学习算法的工具包，在python中安装gym库和其中子场景都较为简便。

安装gym：

pip install gym

安装自动驾驶模块，这里使用Edouard Leurent发布在github上的包highway-env（链接：https://github.com/eleurent/highway-env）：

pip install --user git+https://github.com/eleurent/highway-env

其中包含6个场景：

• 高速公路——“highway-v0”

• 汇入——“merge-v0”

• 环岛——“roundabout-v0”

• 泊车——“parking-v0”

• 十字路口——“intersection-v0”

• 赛车道——“racetrack-v0”

详细文档可以参考这里：

https://highway-env.readthedocs.io/en/latest/

二、配置环境

安装好后即可在代码中进行实验（以高速公路场景为例）：

import gymimport highway_env%matplotlib inline
env = gym.make('highway-v0')env.reset()for _ in range(3):    action = env.action_type.actions_indexes["IDLE"]    obs, reward, done, info = env.step(action)    env.render()

运行后会在模拟器中生成如下场景：

绿色为ego vehicle env类有很多参数可以配置，具体可以参考原文档。

三、训练模型

1、数据处理

(1)state

highway-env包中没有定义传感器，车辆所有的state (observations) 都从底层代码读取，节省了许多前期的工作量。根据文档介绍，state (ovservations) 有三种输出方式：Kinematics，Grayscale Image和Occupancy grid。

Kinematics

输出V*F的矩阵，V代表需要观测的车辆数量（包括ego vehicle本身），F代表需要统计的特征数量。例：

数据生成时会默认归一化，取值范围：[100, 100, 20, 20]，也可以设置ego vehicle以外的车辆属性是地图的绝对坐标还是对ego vehicle的相对坐标。

在定义环境时需要对特征的参数进行设定：

config = \    {
      "observation":          {
          "type": "Kinematics",        #选取5辆车进行观察（包括ego vehicle）        "vehicles_count": 5,          #共7个特征        "features": ["presence", "x", "y", "vx", "vy", "cos_h", "sin_h"],