摘要：目前，以深度强化学习（Deep Reinforcement Learning， DRL）为主要决策方法的端到端无人驾驶技术在典型交通驾驶任务中的表现取得显著进展。但是，由于DRL“试错”交互的独特学习方式，使其在应用到真实驾驶环境之前，必须经过严格的多维评测过程。因此，性能评测成为DRL无人驾驶决策模型向真实世界迁移的一个关键且不可或缺的步骤。首先梳理分析当前无人驾驶领域主流的技术实现方法；然后聚焦DRL方法，综述其在无人驾驶决策中的研究模式与最新成果，探讨其在处理无人驾驶任务时所面临的问题与瓶颈；接着面向端到端DRL无人驾驶决策模型，从安全性、鲁棒性、舒适性、效率、可靠性五个方面全面综述性能评测方法，分析影响因素并梳理性能评测流程；随后对比总结目前常用且开源的无人驾驶虚拟仿真平台的特点及适用场景；最后概述性能评测存在的开放性问题及对未来评测方法的研究展望，为相关研究和模型应用部署提供理论支持和参考依据。
文章目录
1 DRL在无人驾驶领域的应用
1.1 DRL介绍
1.2 DRL在无人驾驶领域的应用
2 DRL在无人驾驶领域的应用
2.1 无人驾驶安全性
2.2 面向碰撞避免的安全性评测
2.2.1 基于结果指标的评测
2.2.2 基于过程指标的评测
2.2.3 危险场景的生成方法
2.3 基于行为合规合法安全性评测
2.3.1 交通规则合法性的安全性评测
2.3.2 道路优先权和让行的安全性评测
2.4 安全性评测分析
3 DRL无人驾驶决策模型鲁棒性评测
3.1 无人驾驶鲁棒性
3.2 面向环境影响条件的鲁棒性评测方法
3.3 面向模型影响条件的鲁棒性评测方法
3.4 鲁棒性评测分析
4 DRL无人驾驶决策模型舒适性评测
4.1 无人驾驶舒适性性
4.2 舒适性评测方法
4.3 舒适性评测分析
5 DRL无人驾驶决策模型效率
