本篇内容介绍了“怎么使用Python实现自动驾驶系统”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！ 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：安装自动驾驶模块，这里使用 Edouard Leurent 发布在 github 上的包 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”安装好后即可在代码中进行实验（以高速公路场景为例）：运行后会在模拟器中生成如下场景：env类有很多参数可以配置，具体可以参考原文档。(1)statehighway-env包中没有定义传感器，车辆所有的state (observations)免费云主机域名 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：Grayscale Image生成一张W*H的灰度图像，W代表图像宽度，H代表图像高度Occupancy grid生成一个WHF的三维矩阵，用W*H的表格表示ego vehicle周围的车辆情况，每个格子包含F个特征。(2) actionhighway-env包中的action分为连续和离散两种。连续型action可以直接定义throttle和steering angle的值，离散型包含5个meta actions：(3) rewardhighway-env包中除了泊车场景外都采用同一个reward function：这个function只能在其源码中更改，在外层只能调整权重。（泊车场景的reward function原文档里有）DQN网络，我采用第一种state表示方式——Kinematics进行示范。由于state数据量较小（5辆车*7个特征），可以不考虑使用CNN，直接把二维数据的size[5,7]转成[1,35]即可，模型的输入就是35，输出是离散action数量，共5个。各个部分都完成之后就可以组合在一起训练模型了，流程和用CARLA差不多，就不细说了。初始化环境（DQN的类加进去就行了）：训练模型：我在代码中添加了一些画图的函数，在运行过程中就可以掌握一些关键的指标，每训练40次统计一次平均值。平均碰撞发生率：epoch平均时长(s)：平均reward：可以看出平均碰撞发生率会随训练次数增多逐渐降低，每个epoch持续的时间会逐渐延长（如果发生碰撞epoch会立刻结束）“怎么使用Python实现自动驾驶系统”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注百云主机网站，小编将为大家输出更多高质量的实用文章！
这篇“.Net怎么部署Docker-v指令”文章的知识点大部分人都不太理解，所以小编给大家总结免费云主机域名了以下内容，内容详细，步骤清晰，具有一定的借鉴价值，希望大家阅读完这篇文章能有所收获，下面我们一起来看看这篇“.Net怎么部署Docker-v指令”文章…
免责声明：本站发布的图片视频文字，以转载和分享为主，文章观点不代表本站立场，本站不承担相关法律责任；如果涉及侵权请联系邮箱：360163164@qq.com举报，并提供相关证据，经查实将立刻删除涉嫌侵权内容。
微信扫一扫 
