14935

بررسي روش هاي هوشمند برنامه ريزي مسير در خودروهاي خودران با تاكيد بر يادگيري تقويتي

1403

دكتر عبدالله اميرخاني

سيستم هاي رانندگي خودران (ADS) نوآوري متحول كننده اي در حمل و نقل ارائه مي دهند كه هدفشان افزايش ايمني و كارايي جاده ها بوسيله كاهش خطاهاي انساني مي باشد كه عامل تقريبا 95% از تصادفات رانندگي هستند. در معماري چندوجهي ADS، برنامه ريزي مسير به خاطر ماهيت بهينه سازي NP-hard و نقش كليدي در ساختن مسير ايمن، كارآمد و قابل اعتماد به عنوان يك مسئله مهم و چالش برانگيز مطرح مي شود. روش هاي سنتي مانند رويكردهاي مبتني بر گراف و يا مبتني بر نمونه برداري اغلب مسير هاي تيز و غيربهينه ارائه مي دهند و با هزينه هاي محاسباتي بالا و فضاي جست و جوي پيچيده دست و پنجه نرم مي كنند. اين گزارش به بررسي روش‌هاي مختلف برنامه‌ريزي مسير هوشمند، با تمركز ويژه بر تكنيك‌هاي يادگيري تقويتي (RL) و يادگيري تقويتي عميق (DRL) مي‌پردازد. RL با فعال كردن يادگيري از طريق تعامل با محيط، كشف تدريجي ديناميك‌ها و بهينه‌سازي اقدامات براي به حداكثر رساندن پاداش‌هاي تجميعي، مزيت منحصر به فردي را ارائه مي‌دهد. DRL با ادغام شبكه‌هاي عصبي عميق براي مديريت فضاهاي حالت و عمل با ابعاد بالا، اين قابليت را بيشتر افزايش مي‌دهد و بر مشكلات مقياس‌پذيري ذاتي در RL سنتي غلبه مي‌كند. اين گزارش به بررسي روش هاي سنتي برنامه ريزي مسير، به كارگيري الگوريتم هاي بهينه سازي فراابتكاري در برنامه ريزي مسير، اصول يادگيري تقويتي (RL) و يادگيري تقويتي عميق (DRL) مي‌پردازد، الگوريتم‌هاي جديدي مانند تكامل تفاضلي چند عملگري با اسپلاين مكعبي (QSMODE) و تكامل تفاضلي چند عملگري عميق با اسپلاين مكعبي (DQSMODE) را بررسي مي‌كند و عملكرد برتر، كاربرد عملي و چالش‌هاي جاري و جهت‌گيري‌هاي آينده آنها را در اين زمينه كه به سرعت در حال تكامل است، مورد بحث قرار مي‌دهد.

9/7/2025 12:00:00 AM

87184

1404/06/15

سيستم هاي رانندگي خودران , برنامه ريزي مسير , يادگيري تقويتي , يادگيري تقويتي عميق , تكامل تفاضلي چند عملگري