CAR-FMP: الگوریتم بهبودیافته برنامه ریزی حرکت مبتنی بر نیرو برای خودروهای خودران در محیط های شهری

در سال های اخیر، توسعه سامانه های هوشمند حمل ونقل توجه بسیاری از پژوهشگران را به خود جلب کرده است. یکی از مهم ترین چالش های این حوزه، ناوبری خودروهای خودران در محیط های شهری است که به دلیل نیاز به تصمیم گیری بلادرنگ در شرایط ترافیکی پویا، تعامل با سایر وسایل نقلیه و واکنش مناسب به موانع غیرقابل پیش بینی، پیچیدگی بالایی دارد. در این پژوهش، نسخه ای ارتقایافته از الگوریتم برنامه ریزی حرکت مبتنی بر نیرو (FMP) با عنوان CAR-FMP برای ناوبری خودروهای خودران شهری ارائه شده است. در الگوریتم پیشنهادی، با معرفی یک نیروی کمکی جدید به منظور انجام مانورهای سبقت ایمن، حفظ فاصله مناسب با سایر خودروها و تنظیم پویای سرعت در پیچ ها، پایداری و روانی حرکت خودرو به صورت محسوسی بهبودیافته است. به منظور ارزیابی عملکرد، آزمایش ها در محیط شبیه سازی CARLA و در دو سناریوی استاندارد CoRL۲۰۱۷ و NoCrash انجام شده اند. نتایج نشان می دهد که روش پیشنهادی نسبت به الگوریتم های یادگیری محور متداول، به طور میانگین موجب افزایش ۶ درصدی نرخ موفقیت در سناریوی CoRL۲۰۱۷ و افزایش ۱۲ درصدی در سناریوی NoCrash با ترافیک متراکم می شود. درمجموع، چارچوب CAR-FMP با تکیه بر کنترل توزیع شده و عدم وابستگی به مسیرهای ازپیش تعیین شده، رویکردی موثر و مقیاس پذیر برای ناوبری ایمن و کارای خودروهای خودران در محیط های شهری فراهم می سازد.

کلیدواژه ها:

خودروهای خودران ، برنامه ریزی حرکت ، الگوریتم FMP ، ناوبری شهری ، کنترل توزیع شده ، سبقت ایمن ، شبیه ساز CARLA ، تصمیم گیری بلادرنگ