摘要：针对机场引导车的泊车需求，提出一种基于深度强化学习的自动泊车方法。首先构建机场引导车运动学模型及其典型泊车场景，然后在深度确定性策略梯度(DDPG)算法的基础上，根据智能体所获经验的奖励均值与方差设置优先级，提出一种基于优先奖励特征经验回放的改进DDPG算法。所提出算法通过筛选高质量经验样本优化智能体的决策学习，能够有效提升智能体的学习效率与学习质量。其次，建立探索衰减机制，以确保智能体在探索未知领域与利用已知信息之间的平衡。仿真结果表明，所提出方法实现了引导车在机场有限泊车空间内的稳定泊车操作。相较于DDPG等多种强化学习算法，该方法的训练周期缩短约25%以上，终端泊车精度显著提高，同时泊车耗时有所减少，对于智慧机场自动化建设具有良好的应用价值和前景。
文章目录
1 问题陈述
1.1 机场引导车及其运动学建模
1.2 泊车场景与碰撞模型
2 算法设计
2.1 状态空间与动作空间
2.2 奖励回报设计
2.3 引导车自动泊车算法框架搭建
2.4 基于优先经验回放的改进设计
3 仿真实验
3.1 泊车算法训练
3.2 泊车测试与分析
4 结 论
