基于深度强化学习的SUMO城市环境下的目标捕获方法

本发明公开了一种基于深度强化学习的SUMO城市环境下的目标捕获方法，包括以下步骤：构建一个具有高仿真度的城市环境；采集区域信息；设计状态空间、动作空间与奖励函数；训练每个追捕车辆的DQN网络；根据采集的区域信息训练区域划分网络。本发明使用的SUMO城市环境更接近城市环境中追捕车辆与目标车辆之间的真实追逃场景，该环境包含车道线、红绿灯以及障碍物等元素，能够全面模拟多车道和多交叉口的动态交通特征；本发明提出的目标捕获方法将复杂的问题简化，该方法通过将目标周围划分为若干子区域，将追捕车辆划分至不同的协作群体，每个群体专注于其负责区域内的捕获任务，从而提高多个追捕车辆对目标车辆的协同捕获效率。