23740

كنترل ترافيك تقاطع شهري با استفاده از روش يادگيري تقويتي عميق

كارشناسي ارشد

مهندسي برق - گرايش الكترونيك ديجيتال

1397 - 1399

1399/11/07

دكتر هادي شهريار شاه حسيني

مهندسي برق

در جوامع امروزي با توجه به رشد روزافزون جمعيت، براي جابجايي افراد، كالاها و ارائه خدمات به سامانه حمل‌ونقل نيازمنديم. عدم توسعه زيرساخت‌هاي حمل‌ونقل متناسب با جمعيت، باعث به وجود آمدن ازدحام شديد در خيابان‌ها گرديده است. بنابراين كنترل هوشمند به عنوان كاربردي‌ترين رويكرد در جهت مديريت ترافيك مي‌تواند مطرح شود؛ چراكه تغيير ساختارهاي فيزيكي موجود كاري زمانبر و پرهزينه است. يكي از مشكلاتي كه در مسئله كنترل ترافيك با آن مواجه هستيم، پويا بودن ترافيك در طول شبانه‌روز است و زمان‌بندي ثابت چراغ‌هاي راهنمايي در تمام ساعات، جوابگوي ترافيك موجود نيست. در اين مقطع قصد داريم كه به مسائل كنترل‌كننده چراغ‌هاي راهنمايي‌ورانندگي، بر مبناي الگوريتم‌ يادگيري تقويتي و شبكه‌هاي عصبي مصنوعي بپردازيم. در اين پايان‌نامه پيشرفت‌هاي اخير در زمينه هوش مصنوعي براي تحقيق و توسعه يك عامل يادگيري كه قادر به كنترل يك سامانه چراغ راهنمايي است، با هدف افزايش كارايي حمل‌ونقل جاده‌اي استفاده مي‌شود. چراكه سامانه‌هاي هوشمند و ديجيتالي نسبت به انسان براي كنترل ترافيك بيشتر مورد توجه قرار گرفته‌اند. براي پياده‌سازي از داده‌ها‌ي تصادفي استفاده مي‌شود. اين داده‌ها در شرايط ترافيك با حجم كم(600 خودرو)، ترافيك با حجم بالا(2400 خودرو) و شرايطي كه در آن بار ترافيكي فقط در يك جهت زياد است(شمال-جنوب يا شرق-غرب)(1500 خودرو) استفاده شده است. نتايج پياده‌سازي و ارزيابي روش پيشنهادي، نشان از كم شدن زمان تأخير خودروها تا 89 درصد نسبت به روش معمول زمان ثابت و 94 درصد نسبت به ساير روش‌هاي هوشمندي است كه در اين پايان‌نامه مورد بحث واقع شده است و جوانب كمتري را در روش خود در نظر گرفته‌اند.

1399/12/10

Control of urban intersection traffic using deep reinforcement learning method

1/26/2021 12:00:00 AM

Today, due to the growing population, we need a transportation system to move people, goods and providing services. Lack of development of transport infrastructure, commensurate with the population, has caused severe congestion on the streets. Therefore, intelligent control can be considered as the most practical approach to traffic management; Because changing existing physical structures is a time-consuming and costly task. One of the problems we face in traffic control is the dynamics of traffic, and the fixed and predetermined schedule of traffic lights is not efficient enough. At this point, we intend to address traffic light control issues based on reinforcement learning algorithm and artificial neural networks. In this thesis, recent advances in artificial intelligence are used to research and develop a learning agent for controlling a traffic light system, with the aim of increasing the efficiency of road transport. Recently, digital systems have been considered for this purpose instead of humans to control traffic. Random data is used for implementation. This data has been used in conditions of low traffic congestion (600 vehicles), high traffic congestion (2400 vehicles) and conditions in which the traffic congestion is only in one direction (north-south or east-west) (1500 vehicles). The results of implementation and evaluation of the proposed method show that the waiting time of vehicles is less than the usual method of fixed time and other intelligent methods that have considered fewer aspects in their method.

مديريت ترافيك , حمل و نقل هوشمند , چراغ راهنمايي , يادگيري تقويتي , هوش مصنوعي

Traffic Management , Intelligent Transportation , Traffic Light , Reinforcement Learning , Artificial intelligence