基于分层强化学习的无人驾驶自动超车决策系统产品系统Vibe Coding

自动驾驶是智能交通领域的核心技术方向，超车决策是高速公路自动驾驶场景中最具挑战性的任务之一。传统规则式方法难以应对复杂多变的交通环境，缺乏自适应能力。本项目针对无人驾驶车辆在多车道高速公路场景下的超车决策问题，研究如何在保证行车安全的前提下，实现高效、平滑的自主超车行为，推动自动驾驶技术的落地应用

本系统包含以下核心功能模块：
1. 分层决策模块：采用高层PPO策略网络负责超车时机判断（保持车道/准备超车/执行超车/返回车道/紧急制动），低层LSTM控制网络负责具体轨迹执行，实现宏观决策与微观控制的分离。
2. 多传感器融合感知模块：融合激光雷达（权重0.4）、摄像头（0.3）、毫米波雷达（0.3）数据，实现对周围车辆的检测、跟踪与安全间隙计算。
3. 安全约束模块：集成安全约束层（SafetyConstraintLayer）与实时安全监控，包含碰撞检测、安全距离校验、加速度限制等多重安全机制，危险动作被实时屏蔽。
4. 仿真训练环境：内置高级交通仿真器，支持多车道道路、动态车辆生成，提供完整的训练、评估、演示三种运行模式。
5. 可视化与监控：集成TensorBoard训练监控，支持训练曲线可视化、模型评估报告生成、日志记录。
6. 容器化部署：支持Docker与docker-compose一键部署，兼容GPU/CPU环境。

整体架构设计与核心算法实现，主要工作包括：
技术栈：Python + PyTorch + Docker，采用分层强化学习（HRL）框架，结合PPO（近端策略优化）与DQN算法，状态空间维度22维，高层动作空间5维，低层动作空间3维。
实现亮点：
1.引入Multi-head Attention注意力机制增强高层策略网络对关键车辆的感知能力；
2，设计SafetyConstraintLayer安全约束层，在神经网络输出端直接屏蔽危险动作的logits值，从算法层面保证安全性；
3，低层控制网络采用LSTM处理时序状态，有效捕捉车辆运动趋势；
4，实现课程学习（Curriculum Learning）训练策略，由简单到复杂逐步提升训练难度；
5，全项目模块化设计，具备完整的配置管理（YAML）与Docker容器化部署能力。