31384

كنترل توام خودرو هاي خودران و چراغ هاي راهنمايي با استفاده از يادگيري تقويتي عميق و ارتباطات V2Xو I2X

كارشناسي ارشد

مهندسي برق

1400

3/7/1403

دكتر شاهرخ فرهمند

/

مهندسي برق

يكي از چالش هاي موجود در حمل و نقل ، ترافيك و شلوغي جاده ها بخصوص در تقاطع هاست كه هم احتمال تصادفات را بالا مي برد و هم باعث اتلاف زمان و افزايش مصرف سوخت مي گردد. براي رسيدن به يك سيستم حمل و نقل هوشمند و كنترل بهينه ترافيك بايد جنبه هاي مختلفي از اين سيستم را به صورت كارآمد كنترل كرد. از جمله موارد مهم موثر بر كنترل سيستم حمل و نقل و ترافيك مي توان به عملكرد مناسب خودرو ها در هنگام رانندگي و همچنين عملكرد مناسب چراغ هاي راهنمايي در تقاطع ها اشاره نمود. تقاطع ها به عنوان يكي از تاثير گذار ترين موارد در ترافيك هستند كه بخش زيادي از ترافيك موجود در شهر ها نيز در تقاطع ها ايجاد مي شود و درحال حاظر براي كنترل تقاطع ها از چراغ هاي راهنمايي استفاده مي شود. براي انتخاب بهترين وضعيت چراغ راهنمايي در هر زمان مي توان از ظرفيت هاي بالاي هوش مصنوعي استفاده كرد كه اين كار را مطابق با وضعيت لحظه اي ترافيك انجام دهد. روش هاي موجود مبتني بر هوش مصنوعي به دو دسته تقسيم مي شوند . در دسته اول ، كنترل هوشمند و هماهنگ چراغ هاي راهنمايي يك يا چند تقاطع انجام شده است ولي كنترلي بر خودرو هاي هوشمند ندارند. در دسته دوم به كنترل خودرو هاي خودران مي پردازند اما كنترلي روي چراغ هاي راهنمايي ندارند. همچنين كنترل همزمان يك چراغ راهنمايي و خودرو هاي خودران موجود نيز پيشنهاد شده است كه براي كنترل خودرو هاي خودران ، فقط اجازه تغيير سرعت خودرو هاي خودران را مي دهند. روش هاي موجود در ترافيك هاي سنگين و نيمه سنگين كلان شهر ها عملكرد مناسبي ندارند. كند بودن سيستم حمل و نقل و ايجاد گره هاي ترافيكي موجب اتلاف زمان و هزينه )مصرف سوخت( مي شود كه براي حل اين مشكلات ، پيشنهاد مي كنيم كه كنترل همزمان و هماهنگ چراغ هاي راهنمايي و خودرو هاي خودران انجام شود كه چراغ هاي راهنمايي با ديگر چراغ ها همكاري داشته و خودرو ها نيز علاوه بر تغيير سرعت ، اجازه تغيير خط را نيز داشته باشند. هدف اين پايان نامه بهبود وضعيت حمل و نقل در ترافيك هاي سنگين و نيمه سنگين است. در اين پايان نامه به ارائه روشي جامع براي كنترل همزمان خودرو هاي خودران و چراغ هاي راهنمايي با استفاده از الگوريتم هاي يادگيري تقويتي عميق چند عامله مي پردازيم كه نتايج شبيه سازي نشان مي دهد كه اين سيستم ، ترافيك هاي سنگين و نيمه سنگين را به خوبي كنترل و هدايت كرده و نسبت به روش هاي مشابه عملكرد بهتري دارد و به كار گيري اين سيستم موجب كاهش زمان سفر ها و همچنين كاهش مصرف سوخت مي گردد.

1403/07/28

Simultaneous Autonomous Vehicles and Traffic Lights Control Utilizing Deep Multi-agent Reinforcement Learning and V2X / I2X Communications

1/1/1900 12:00:00 AM

Exhausting traffic jams and road congestion poses the toughest challenge for today’s transportation systems in big cities. Two effective parameters in creating traffic jams are uncoordinated and erroneous decisions by human drivers, and static operation of unintelligent traffic light controllers whose timings are set manually by a human operator. A recent line of research is to mitigate urban traffic jams via intelligent machine-based operation of traffic lights or coordinated decision making by self-driving (smart) vehicles. Existing approaches are divided into two main categories: Those that utilize artificial intelligence (AI) only in the traffic lights control, and those that consider AI only in coordinated smart vehicles operation. The first category entails smart control of a single traffic light or a coordinated smart operation of several traffic lights at nearby intersections. Second category entails coordinated smart vehicle management for safely merging traffic or to improve traffic by accelerating or de-accelerating individual vehicles. Simultaneous smart control of traffic light and self-driving vehicles has also been proposed for a single intersection. The extremely congested traffic in urban centers demands that traffic lights at all nearby intersections are controlled in a coordinated fashion by AI, while smart vehicles are also simultaneously operated in a cooperative fashion to dislodge intersection’s traffic as fast as possible. Allowing intermittent lane changes before reaching an intersection can improve the traffic as well. We propose a Multi-Agent Reinforcement Learning (MARL) algorithm that carries out all these tasks simultaneously. Simulation results for a synthetically built urban center reveals that the algorithm outperforms the available alternatives both in terms of the average total trip time per vehicle and average total fuel consumption of individual vehicles per trip specifically in semi-heavy and very heavy traffic conditions.

رانندكي خودكار , يادگيري تقويتي , كنترل ترافيك , سيستم حمل ونقل , خودرو هاي خودران

Autonomous Driving , Reinforcement Learning , Traffic Control , Transportation Systems , Self-Driving Cars

Mostafa Bahrami Filabadi

Dr Shahrokh Farahmand