本文主要以无人驾驶为目标，对几种深度强化学习算法进行研究。具体研究成果如下：
1. 对A3C（Asynchronous Advantage Actor-Critic）,DDPG（Deep Deterministic Policy Gradient），SAC（Soft Actor-Critic）三种算法在无人驾驶问题中的优缺点进行了分析，并且针对无人驾驶问题对算法进行修改和应用。将三种算法应用到模拟器上进行实验，分析不同参数下的表现与结果。重点研究了SAC算法中熵权重因子α和奖励函数的变化对于驾驶行为的影响。
2. 实现了无人驾驶系统，在对驾驶模拟器环境中的智能体进行训练和验证的基础上，探讨将算法模型移植到真实小车无人驾驶环境的方案，通过提供通用的gym应用接口，同时支持模拟环境和真实驾驶环境的算法研究和软件部署。
3. 提出了通过CGAN (Conditional Generative Adversarial Network)来将模拟器中得到的算法模型迁移到真实环境的方案，探讨并实现了通过VAE (Variational Autoencoder)技术来对场景图像进行降维，以提升训练和验证效率的方案。
本文在算法设计和无人驾驶系统设计的基础上进行了研究与测试，收集了实验成果并进行了分析和改进，最终取得了良好的运行效果。