一种基于对抗性逆强化学习的城市车辆个性化路径规划方法及系统

本发明提供了一种基于对抗性逆强化学习的城市车辆个性化路径规划方法及系统，属于路径规划领域。为了解决现有路径规划方法在城市大规模复杂路网中由于轨迹数据稀疏造成的适应性差、个性化能力弱的问题。本发明对历史数据进行处理后映射到路网上，对环境进行建模，利于卷积神经网络设计生成器和判别器，然后构建学习目标，通过交替优化生成器和判别器的损失函数，逐步提升生成数据的质量以及判别器的判别能力，通过优化后的模型进行路径推荐。本发明能够实现在动态交通环境下，自动学习高效路径规划策略；同时结合历史驾驶数据，提高个性化路径推荐能力、路径推荐系统的适应性，使推荐的路径更符合驾驶员实际需求。