Пошук академічних текстів

Інформація × Реєстраційний номер 2125U002813, Матеріали видань та локальних репозитаріїв Категорія Бакалаврська робота Назва роботи Методи штучного інтелекту для керування транспортним засобом в симуляції складного середовища Автор Лоєнко Вікторія ГригорівнаLoienko Viktoriya Hryhorivna Дата публікації 01-01-2025 Постачальник інформації Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» Першоджерело https://ela.kpi.ua/handle/123456789/75823 Видання Київ Опис Дипломна робота:154 сторінки, 30 рисунків, 22 таблиці, 2 додатки та 41 посилання. Метою дослідження є розробка та експериментальне обґрунтування нового підходу до автономного керування транспортним засобом у складних симульованих умовах на основі поєднання методів навчання з підкріпленням, самонавчання та мультисенсорної інтеграції з урахуванням фізично достовірної динаміки й мультиагентної взаємодії. Об’єкт дослідження – процес автономного керування транспортними засобами в симульованих середовищах із динамічними дорожніми й погодними умовами. Предмет – методи навчання з підкріпленням для формування стратегій керування на основі мультисенсорних даних, адаптації до змін середовища й взаємодії з іншими агентами. Застосовано формалізацію задач як марковського процесу прийняття рішень (MDP) і диференціальні ігри для моделювання взаємодії агентів. Для навчання використано алгоритми RL (PPO, HAPPO), meta-learning, curriculum learning, поєднання Behavior Cloning і RL. Самонавчання покращує подання станів, а генеративні моделі (VAE, GAN) створюють складні сценарії. Використано підхід централізованого тренування з децентралізованим виконанням (CTDE). Особливу увагу приділено інтеграції даних (LiDAR, камери, IMU) та масштабованому тренуванню в середовищі Isaac Gym. Розроблено функцію винагороди, що враховує безпеку, стабільність та взаємодію з оточенням. Результати можуть бути використані для підвищення ефективності автономного керування, розробки симуляційних платформ і впровадження інтелектуальних транспортних систем. Thesis: 154 pages, 30 figures, 22 tables, 2 appendices, and 41 references. The aim of the research is to develop and experimentally justify a new approach to autonomous vehicle control in complex simulated environments. The approach is based on the integration of reinforcement learning, self-supervised learning, and multisensor data fusion, taking into account physically accurate dynamics and multi-agent interaction. The object of the research is the process of autonomous vehicle control in simulated environments with dynamic road and weather conditions. The subject of the study includes reinforcement learning methods for developing control strategies based on multisensor data, adaptation to changing conditions, and interaction with other agents in a multi-agent environment. The task was formalized as a Markov Decision Process (MDP), and differential game theory was used to model agent interactions. For agent training, various RL algorithms (PPO, HAPPO), meta-learning for real-time adaptation, curriculum learning for gradual task complexity, and a combination of Behavior Cloning and RL were used to form robust policies. Self-supervised learning improved state representations via pretraining, while generative models (VAE, GAN) were applied to create complex and critical scenarios. The centralized training with decentralized execution (CTDE) approach was employed. Special attention was given to engineering-level multisensor integration (LiDAR, cameras, IMU) and scalable training using the Isaac Gym environment. A combined reward function was designed, taking into account safety, motion stability, and environmental interaction. The results can be applied to enhance the reliability and efficiency of autonomous control systems under complex conditions, support the development of simulation platforms for training autonomous agents, and advance intelligent transportation and safety technologies. Додано в НРАТ 2025-11-05 Закрити