(3)提出了一种基于强化学习的驾驶控制权决策方法。建立了基于DQN的人车驾驶控制分配模型，以多模态融合后的人车协同感知信息作为模型输入进行驾驶权分配，与Q-learning和PPO模型决策成功率相比，本文模型分别提高了2%和5%，满足车辆驾驶行为决策的实时性要求。解决了当前人车驾驶权切换模型实时性差、决策结果与复杂路况场景匹配度低的问题，从而实现了复杂路况场景下驾驶权的柔性分配。
参考文献（略）
(3)提出了一种基于强化学习的驾驶控制权决策方法。建立了基于DQN的人车驾驶控制分配模型，以多模态融合后的人车协同感知信息作为模型输入进行驾驶权分配，与Q-learning和PPO模型决策成功率相比，本文模型分别提高了2%和5%，满足车辆驾驶行为决策的实时性要求。解决了当前人车驾驶权切换模型实时性差、决策结果与复杂路况场景匹配度低的问题，从而实现了复杂路况场景下驾驶权的柔性分配。
参考文献（略）
