Πρωτότυπος Τίτλος:
Σχεδιασμός διαδρομής και αυτόνομη πλοήγηση για e-scooters
Συγγραφέας:
Μεϊντάνης, Χρήστος, Κωνσταντίνος
Επιβλέπων καθηγητής:
Δημητρακόπουλος, Γεώργιος
Περίληψη:
Τα αυτόνομα οχήματα (AVs) και οι μεταφορές μικρής κλίμακας, όπως τα ηλεκτρικά σκούτερ, αποτελούν μια επανάσταση στον τομέα της μετακίνησης, προσφέροντας νέες λύσεις για την ασφάλεια, την αποδοτικότητα και τη βιωσιμότητα. Τα AVs βασίζονται σε προηγμένες τεχνολογίες, όπως αισθητήρες, τεχνητή νοημοσύνη (AI) και συστήματα επικοινωνίας, για να αντιλαμβάνονται το περιβάλλον τους και να λαμβάνουν αποφάσεις σε πραγματικό χρόνο. Παράλληλα, τα ηλεκτρικά σκούτερ έχουν γίνει δημοφιλή σε αστικές περιοχές, αλλάζοντας τον τρόπο με τον οποίο οι άνθρωποι μετακινούνται. Ωστόσο, η ανάπτυξη αυτών των τεχνολογιών αντιμετωπίζει προκλήσεις, όπως νομικά ζητήματα, ασφάλεια δεδομένων και η ανάγκη για νέες υποδομές.
Η παρούσα μελέτη στοχεύει στην αξιολόγηση της απόδοσης τριών αλγορίθμων Deep Reinforcement Learning (DRL) — Proximal Policy Optimization (PPO), Advantage Actor-Critic (A2C) και Deep Deterministic Policy Gradient (DDPG) — για την αυτόνομη πλοήγηση ενός ηλεκτρικού σκούτερ σε ένα προσομοιωμένο περιβάλλον. Επιπλέον, εξετάζεται η επίδραση της χρήσης ενός αισθητήρα όρασης στην ικανότητα του σκούτερ να φτάνει σε έναν στόχο χωρίς να βρίσκει εμπόδια.
Η προσομοίωση πραγματοποιήθηκε στο περιβάλλον CoppeliaSim, όπου το σκούτερ έπρεπε να φτάσει σε έναν προκαθορισμένο στόχο. Το σύστημα ανταμοιβών ενθάρρυνε το σκούτερ να φτάσει τον στόχο, ενώ επιβάλλονταν ποινές για συγκρούσεις, υπέρβαση ορίων ή υπέρβαση του χρόνου προσομοίωσης. Τα κύρια μετρικά απόδοσης περιλάμβαναν τον αριθμό επιτεύξεων του στόχου, τις συγκρούσεις και τον χρόνο προσομοίωσης. Η 3D σχεδίαση του περιβάλλοντος περιλαμβάνει δρόμους, κτίρια και δέντρα, προσφέροντας μια ρεαλιστική αναπαράσταση ενός αστικού κέντρου.
Οι αλγόριθμοι PPO, A2C και DDPG εκπαιδεύτηκαν σε πολλαπλά επεισόδια, με στόχο τη βελτίωση της απόδοσης του σκούτερ στην πλοήγηση προς τον στόχο. Επιπλέον, η χρήση του αισθητήρα όρασης βοήθησε το σκούτερ να αντιλαμβάνεται το περιβάλλον του και να λαμβάνει αποφάσεις σε πραγματικό χρόνο, βελτιώνοντας την αποτελεσματικότητά του.
Η μελέτη υπογραμμίζει τη σημασία της χρήσης αλγορίθμων DRL και αισθητήρων όρασης για την αυτόνομη πλοήγηση ηλεκτρικών σκούτερ. Ο αλγόριθμος PPO φαίνεται να είναι ο πιο αποτελεσματικός για αυτόν τον σκοπό, παρέχοντας καλύτερη απόδοση σε σύγκριση με τους A2C και DDPG. Ωστόσο, η έρευνα βρίσκεται ακόμα σε εξέλιξη, και απαιτούνται περαιτέρω δοκιμές για την επικύρωση των αποτελεσμάτων και τη βελτίωση των αλγορίθμων.
Η παρούσα μελέτη στοχεύει στην αξιολόγηση της απόδοσης τριών αλγορίθμων Deep Reinforcement Learning (DRL) — Proximal Policy Optimization (PPO), Advantage Actor-Critic (A2C) και Deep Deterministic Policy Gradient (DDPG) — για την αυτόνομη πλοήγηση ενός ηλεκτρικού σκούτερ σε ένα προσομοιωμένο περιβάλλον. Επιπλέον, εξετάζεται η επίδραση της χρήσης ενός αισθητήρα όρασης στην ικανότητα του σκούτερ να φτάνει σε έναν στόχο χωρίς να βρίσκει εμπόδια.
Η προσομοίωση πραγματοποιήθηκε στο περιβάλλον CoppeliaSim, όπου το σκούτερ έπρεπε να φτάσει σε έναν προκαθορισμένο στόχο. Το σύστημα ανταμοιβών ενθάρρυνε το σκούτερ να φτάσει τον στόχο, ενώ επιβάλλονταν ποινές για συγκρούσεις, υπέρβαση ορίων ή υπέρβαση του χρόνου προσομοίωσης. Τα κύρια μετρικά απόδοσης περιλάμβαναν τον αριθμό επιτεύξεων του στόχου, τις συγκρούσεις και τον χρόνο προσομοίωσης. Η 3D σχεδίαση του περιβάλλοντος περιλαμβάνει δρόμους, κτίρια και δέντρα, προσφέροντας μια ρεαλιστική αναπαράσταση ενός αστικού κέντρου.
Οι αλγόριθμοι PPO, A2C και DDPG εκπαιδεύτηκαν σε πολλαπλά επεισόδια, με στόχο τη βελτίωση της απόδοσης του σκούτερ στην πλοήγηση προς τον στόχο. Επιπλέον, η χρήση του αισθητήρα όρασης βοήθησε το σκούτερ να αντιλαμβάνεται το περιβάλλον του και να λαμβάνει αποφάσεις σε πραγματικό χρόνο, βελτιώνοντας την αποτελεσματικότητά του.
Η μελέτη υπογραμμίζει τη σημασία της χρήσης αλγορίθμων DRL και αισθητήρων όρασης για την αυτόνομη πλοήγηση ηλεκτρικών σκούτερ. Ο αλγόριθμος PPO φαίνεται να είναι ο πιο αποτελεσματικός για αυτόν τον σκοπό, παρέχοντας καλύτερη απόδοση σε σύγκριση με τους A2C και DDPG. Ωστόσο, η έρευνα βρίσκεται ακόμα σε εξέλιξη, και απαιτούνται περαιτέρω δοκιμές για την επικύρωση των αποτελεσμάτων και τη βελτίωση των αλγορίθμων.
Ημερομηνία κατάθεσης:
2025-03-14
Γλώσσες Τεκμηρίου:
Ελληνικά
Θεματικές Κατηγορίες:
Ηλεκτρονικοί υπολογιστές. Επιστήμη των υπολογιστών
Λοιπά Θέματα:
Συνεργασία οχήματος-υποδομής
Λέξεις-κλειδιά:
Βαθιά Ενισχυτική Μάθηση, αυτόνομη πλοήγηση, Αυτόνομα οχήματα, αισθητήρας όρασης, ηλεκτρικά πατίνια
Περιγραφή:
62 σ.,εικ.,πίν.
Άδεια χρήσης:
Αναφορά Δημιουργού – Μη Εμπορική Χρήση – Όχι Παράγωγα Έργα 4.0
