主动安全策略优化

策略模型列表

策略ID	算法名称	模型路径	部署状态	平均奖励	成功率	碰撞率	风险评分	操作
1	DQN	/models/dqn_v1.h5	已部署	120.5	0.95	0.01	0.05	查看详情
2	PPO	/models/ppo_v2.h5	测试中	150.2	0.98	0.005	0.02	查看详情
3	SAC	/models/sac_v1.h5	开发中	135.8	0.96	0.008	0.03	查看详情
4	DQN	/models/dqn_v2.h5	已废弃	110.0	0.90	0.05	0.10	查看详情

添加新策略模型

算法名称: DQN PPO SAC

模型路径:

训练会话ID:

描述:

提交

硬件/软件冗余状态

组件类型	冗余级别	MTBF (小时)	失效原因	冗余系统在线
传感器	2	10000	无
计算单元	3	15000	软件BUG

风险评估

数据采集方式

• 传感器数据: 通过车辆上的摄像头、激光雷达、毫米波雷达等传感器实时采集。
• 交通信息: 通过交通管理部门的API接口获取实时交通流量、拥堵情况、事故信息等。
• 环境数据: 通过气象局API接口获取天气状况、温度、湿度等环境信息。
• 车辆状态数据: 通过车辆OBD接口获取车速、油门位置、制动压力等信息。

数据生成方式

• 仿真环境数据: 利用CARLA、SUMO等仿真平台，模拟各种交通场景和天气条件，生成大量的训练和测试数据。可以控制交通密度、车辆行为、天气变化等因素。
• 真实数据增强: 对真实采集到的数据进行增强，例如添加噪声、改变光照条件、模拟传感器故障等，以提高模型的鲁棒性。
• 基于GAN的数据生成: 使用生成对抗网络(GAN)生成更逼真的交通场景数据。