%20(2).svg)
项目简介
本项目是用于模拟自动驾驶环境的开源项目，为自动驾驶算法的开发与测试提供灵活、可扩展的框架。项目涵盖环境模拟、车辆模型、道路网络和交通规则等模块，适用于强化学习、路径规划、控制策略开发等任务。
项目的主要特性和功能
- 多种环境模拟：支持高速公路、交叉路口、停车场、环形交叉口等环境，各环境有不同道路结构、车辆交互和奖励机制。
- 车辆模型：提供基于自行车模型的线性动力学模型和基于智能驾驶模型的IDM模型，可模拟不同驾驶风格车辆行为。
- 道路网络：支持直线车道、正弦波形车道、圆形车道等结构，具备道路网络构建、修改和可视化功能。
- 交通规则：包含车道变换、碰撞避免、优先权等规则，保障车辆安全交互。
- 数据处理：提供数据处理、分析和可视化工具，支持状态离散化、奖励函数定义、轨迹预测等功能。
- 扩展性：框架可扩展，用户能方便添加新环境、车辆模型或自定义规则。
安装使用步骤
- 安装依赖：确保已安装Python环境，用
pip安装项目所需依赖库。 - 下载源码：将项目源码下载到本地。
- 训练模型：
- 运行训练脚本：
python train_acc(td3_mine).py或python train_lanekeeping_test.py。 - 训练数据保存在根目录，网络参数、损失和奖励值变化等信息保存在
projects文件夹。
- 运行训练脚本：
- 部署模型：使用训练好的网络生成小车运行轨迹，执行
python deploy_acc.py。 - 数据处理与分析：
- 用
/tool/Yida/tools.py对训练数据进行区间化处理，生成CSV文件。 - 用
data_analysis/acc_td3/mdp/construct_mdp.py构建MDP模型，用data_analysis/acc_td3/mdp/my_kmeans.py进行聚类分析（聚类部分未完成）。
- 用
- 评估模型：
- 用
data_analysis/acc_td3/plt_diagram中的脚本，通过canopy、gap_statistic、elbow、轮廓系数等方法确定聚类中心数，绘制图表和计算误差。 - 生成的模型和图表保存在
data_analysis/acc_td3/imgs和data_analysis/acc_td3/mdls文件夹。
- 用
下载地址
点击下载 【提取码: 4003】【解压密码: www.makuang.net】