车辆路径规划是智能交通中的重要研究方向之一,其研究内容主要包括路网模型、交通信息预测和路径规划算法等。如何充分利用道路交通信息,动态且快速地为目标车辆提供一条合理高效的行车路线具有非常重要的意义。论文将深度强化学习融入路径规划算法,对车辆动态路径规划问题进行了研究。论文的主要工作如下:论文针对现有路径规划中对路况分析不全面的问题,构建了基于层次分析法的道路效率指标评价模型,综合分析各种影响道路通行效率的静态和动态指标,得到各路段的预估通行代价。针对途经点约束下的路径规划问题,论文结合模拟退火方法,研究了一种全局路径规划算法,选择了较低通行代价的路径,提高了算法的搜索效率。通过在城市路网模型中进行仿真,论文算法的运行时间较两种对比算法分别下降了77%和19%。最后,搭建智能交通路径规划演示平台,实时获取路况信息,直观地展示了动态路径规划相关功能。在上面算法的基础上,论文针对车辆行驶过程中需要根据交通信息变化对后续行车路径进行动态调整的问题,研究了一种基于深度强化学习的动态路径重规划算法。算法以深度Q网络为基本框架,动态感知目标车辆及路网信息,同时通过对路网信息变化的不断学习,估计交通流变化状况,利用路径重规划模型对当前路径进行评估与决策,进行全局路径重规划以获得更优的线路。论文通过SUMO搭建了不同的仿真场景对算法性能进行评估,并与传统算法进行了比较。实验结果表明,论文算法在城市路网环境下使目标车辆的平均旅程时间降低了36.7%,同时,在等待时间占比和平均行驶速度等方面均得到了优化。