基于持续强化学习的自动驾驶赛车决策算法研究

赛道形状与路面材质变化对自动驾驶赛车的行为决策带来了严峻挑战。为应对道路间的动力学差异,本文提出一种基于持续强化学习(CRL)的高速赛车决策算法。该算法将不同道路看作独立任务。算法的第1训练阶段负责提取描述不同任务上赛车动力学的低维特征,从而计算出任务间的相似性关系。算法的第2训练阶段负责为策略学习过程提供2个持续强化学习约束:其一是权重正则化约束,策略网络中对于旧任务重要的权重将在新任务学习期间被限制更新,其限制力度由任务相似性自适应调节;其二是奖励函数约束,鼓励在新任务学习期间策略的旧任务性能不下降。设计不同任务排序下的赛车实验和持续强化学习评价指标以评估算法性能。实验结果表明,所提算法能在既不存储旧任务数据也不扩展策略网络的条件下获得比基准方法更出色的驾驶性能。

基于多核DSP的激光点云解算算法并行设计

快速、实时地进行点云解算以及获取三维坐标信息是当前遥感应用的发展趋势。针对机载激光雷达点云计算量大、处理算法复杂等特点,设计了基于TMS320C6678多核DSP的并行、高效激光点云处理方法。首先,简要介绍了点云解算的算法原理和特点;其次,具体说明了基于TMS320C6678多核DSP的并行点云解算架构设计;最后,利用机载激光雷达系统获取的数据对设计的多核DSP并行处理架构进行了验证,并比较分析了同平台下单核和多核处理器的运行效率。

基于C6678的主被动三维影像生成算法并行设计

当前,如何实现高效的主被动三维影像生成技术是遥感应用中的一个研究热点。由于激光雷达-光学CCD的三维影像生成算法具有数据量大、处理复杂的特点,为实现其高效实时的应用需求,本文利用TMS320C6678多核DSP开展了并行处理技术方面的研究。并针对两种主流并行模型(主从模型和数据流模型),分别进行了三维影像生成算法的并行设计。最后,依托开发平台进行测试分析,总结论证了两种主流模型的设计要点与适用情况,为多核DSP在实际应用中的资源高效利用提供了思路。

EDMA3在LiDAR点云实时处理中的应用

针对激光雷达(Light Detection and Ranging,LiDAR)点云解算在轨/机载/车载处理中数据量大、实时性要求较高的需求,需要将LiDAR数据存储在处理速度较快的内部存储器中进行点云解算以提高处理速度。为了解决通常LiDAR数据量较大,内部存储器存储空间相对较小的问题,利用处理速度快的内部存储器和存储空间大的外部存储器建立数据缓存机制,用增强型直接内存访问(the Third Generation Enhanced Direct Memory Access,EDMA3)的乒乓缓存技术将LiDAR数据从外部存储器传输到内部存储器中以提高传输速率,并在内部存储器中开辟两个缓存区轮流接收LiDAR数据,以减少传输等待时间。传输LiDAR数据时是分块进行传输的,考虑到LiDAR数据的存储格式,将其按行分块,在DSP开发板上对不同分块大小的LiDAR数据分别进行了EDMA3乒乓读写方式和DSP的CPU读写方式的传输测试。将两种读写方式的数据传输性能进行了对比,验证了EDMA3的应用能够提高LiDAR数据传输速率,并对如何确定合理的数据分块大小,使EDMA3乒乓读写方式传输LiDAR数据的效率更高进行了探讨,对实时实现点云解算有一定的参考意义。