تحلیل و طراحی معماری تطبیقی سیستم های هوشمند خودروهای خودران: رویکردی نوین مبتنی بر یادگیری تقویتی چندعاملی و محاسبات لبه ای

پیشرفت های چشمگیر فناوری های هوش مصنوعی و حسگرهای پیشرفته، خودروهای خودران را به یکی از مهم ترین کاربردهای عملی هوش مصنوعی تبدیل کرده است. با این حال، سیستم های فعلی خودروهای خودران با چالش های جدی مانند عدم انطباق سریع با شرایط غیرمنتظره جاده ای، هماهنگی ضعیف بین وسایل نقلیه، مصرف بالای انرژی و دشواری تصمیم گیری اخلاقی در موقعیت های پیچیده مواجه هستند. این پژوهش با هدف طراحی و تحلیل یک معماری تطبیقی هوشمند برای سیستم های خودروهای خودران، به بررسی و ادغام مولفه های کلیدی یادگیری تقویتی چندعاملی، محاسبات لبه ای، ارتباطات خودرو به همه چیز و تصمیم گیری اخلاقی می پردازد. چارچوب پیشنهادی تحت عنوان ADAV (Adaptive Driving Autonomous Vehicle Architecture)، یک سیستم چندلایه خودگردان است که قادر به تصمیم گیری بلادرنگ، هماهنگی هوشمند بین چندین خودرو، تشخیص و پیش بینی موانع پویا، بهینه سازی مسیر و مصرف انرژی، و مدیریت ایمن موقعیت های بحرانی می باشد. این معماری با بهره گیری از تکنیک های یادگیری فدرال برای حفظ حریم خصوصی، یادگیری تقویتی چندعاملی عمیق برای هماهنگی ناوگان، و هوش لبه ای برای کاهش تاخیر، عملکرد ایمنی، کارایی و مقیاس پذیری را به طور قابل توجهی ارتقا می دهد. نتایج شبیه سازی های گسترده با استفاده از پلتفرم های CARLA، SUMO و محیط های آموزشی سفارشی نشان می دهد که پیاده سازی ADAV منجر به کاهش ۴۲ درصدی زمان واکنش به شرایط اضطراری، افزایش ۳۱ درصدی سطح ایمنی (کاهش تصادفات شبیه سازی شده)، کاهش ۳۷ درصدی مصرف سوخت و انرژی و بهبود ۵۱ درصدی هماهنگی و همکاری بین وسایل نقلیه نسبت به مدل های سنتی و تک عاملی شده است. این چارچوب نه تنها محدودیت های سیستم های نسل فعلی را برطرف می سازد، بلکه الگویی جامع و عملی برای توسعه نسل آینده خودروهای خودران هوشمند، ایمن، اخلاق مدار و پایدار ارائه می دهد. پژوهش حاضر همچنین مسیرهای پژوهشی آینده در حوزه ارتباطات نسل ششم، حمل ونقل هوشمند و هوش مصنوعی مولد را روشن می سازد.

کلیدواژه ها:

خودروهای خودران ، معماری تطبیقی ، یادگیری تقویتی چندعاملی ، محاسبات لبه ای ، ارتباطات خودرو به همه چیز ، یادگیری فدرال ، ایمنی حمل ونقل هوشمند ، تصمیم گیری اخلاقی ، حمل ونقل سبز.