些边界情况交给强化学习模型去泛化。
但是奖励函数的设计怎么定？如果奖励函数偏重通行效率，模型可能倾向于激进的变道策略；
如果偏重舒适性，又可能在需要快速响应的时候动作太慢。”
陈峰调出奖励函数的设计文档，翻到中间那一页。
“奖励函数分了三个维度——安全性权重最高，占零点六；通行效率零点三；舒适性零点一。
安全性维度以碰撞时间的倒数为惩罚项，通行效率以平均速度为奖励项，舒适性以加加速度的绝对值作为惩罚项。
三个维度加权求和，权重比暂时不动，后面仿真跑起来之后再根据结果调。”
他说完在流程图旁边补充了几行注释，把奖励函数的计算公式写清楚，然后交给何晋去搭建模型框架。