Safety-driven Path Selection Using Reinforcement-Learning in Autonomous Driving

发表于 RSAE 2025。

摘要：自动驾驶系统在选择路线时高度依赖高质量数据，既要保证安全，也要考虑通行时间。但道路报告是否可靠、现场情况是否发生变化，都会给路径决策带来困难。

本文提出一种基于点对点报告与强化学习的安全路径选择方法，用来提高道路数据的可信度。首先从多份交通事故数据集中筛选关键参数，再用机器学习评估这些参数对事故风险的相对影响。车辆经过不同路段时会生成报告，强化学习模型则在限定时间窗口内检查这些报告，并动态更新上报车辆的可信度。

随着报告不断积累，系统可以逐步识别恶意车辆或故障车辆，避免它们继续提供不可靠数据。最后，系统结合 K 最短路径算法与低风险路段选择，在安全和通行效率之间实时取舍。实验表明，在错误率较低的环境中，模型能够较好地区分真实事件与虚假事件，并改善路径选择的安全性和时间效率。

关键词：自动驾驶、道路状况、数据质量、强化学习、P2P 网络。

IEEE Xplore 论文页面