کنترل هوشمند چراغراهنما با استفاده از شبکه عصبی عمیق - دانشکده فنی و مهندسی
کنترل هوشمند چراغراهنما با استفاده از شبکه عصبی عمیق
نوع: Type: پایان نامه
مقطع: Segment: کارشناسی ارشد
عنوان: Title: کنترل هوشمند چراغراهنما با استفاده از شبکه عصبی عمیق
ارائه دهنده: Provider: پوریا ملکی
اساتید راهنما: Supervisors: دکتر عباس رمضانی
اساتید مشاور: Advisory Professors: دکتر حسن ختن لو
اساتید ممتحن یا داور: Examining professors or referees: دکتر مجید غنی ئی زارچ - دکتر محمد امین قاسمی
زمان و تاریخ ارائه: Time and date of presentation: 1400/7/6 - ساعت 18
مکان ارائه: Place of presentation: اتاق آنلاین - دانشکده مهندسی
چکیده: Abstract: افرایش جمعیت شهری در سالهای اخیر رشد چشمگیری داشته است بهطوریکه حملونقل ترافیک شهری و برونشهری به یک چالش در زندگی تبدیلشده است و ازاینرو کنترل و مدیریت ترافیک اهمیت بسیار بالایی یافته است. یکی از مهمترین علتهای ایجاد ترافیکهای شهری و بعضاً برونشهری عدم مدیریت مناسب تقاطعها میباشد. لذا در این پایاننامه به کمک سیستمهای حملونقل هوشمند (ITS) به شیوه مدیریت مناسب توالی فازهای چراغهای راهنمایی و رانندگی در یک تقاطع چهار مسیره به کمک عامل هوشمند و با شیوه یادگیری تقویتی (یادگیری کیو به کمک شبکه عصبی عمیق) سعی شده است تا ترافیک عبوری از تقاطع به شیوهای مدیریت گردد که باعث کاهش زمان معطلی وسایل نقلیه و درنتیجه بهبود ترافیک گردد. بهمنظور آموزش و ارزیابی عملکرد عامل هوشمند که برای کنترل چراغهای راهنمایی و رانندگی مورداستفاده قرارگرفته است، از محیط شبیهسازی SUMO و بهمنظور شناسایی ترافیک منتهی به تقاطع از هر مسیر از روش پردازش تصاویر ویدیویی به کمک شبکههای عصبی عمیق (الگوریتم یولو نسخه 4) استفادهشده است. برای آموزش الگوریتم یولو از تصاویر دیتاست آزاد گوگل در 6 کلاس تصاویر (خودرو سواری، اتوبوس، موتورسیکلت و ...) استفاده گردیده است.در این پایاننامه حالتها در محیط بهصورت گسسته سازی شده از سطح جاده تعریفشدهاند تا عامل بتواند در زمانهای خاص مانند ساعتهای پیک ترافیک با محاسبه سریع تابع پاداش که بر اساس زمان انتظار وسایل نقلیه تعریفشده است یک درک سریع و درعینحال کامل از محیط پیدا کند یعنی به عبارتی اطلاعات دریافت شده توسط عامل از محیط شامل اطلاعات مهم و کاربردی میباشد که حجم این اطلاعات نسبت به سایر کارهای انجامشده در این حوزه کاهش پیداکرده است و این امر باعث کاهش زمان محاسباتی شبکه عصبی می¬شود و این امر به پیادهسازی روانتر سیستم کمک کرده است و درعینحال نتایج بهدستآمده قابلاجرا در محیط واقعی بوده و نتایج بهدستآمده از دو قسمت ذکرشده، کارایی روش بهکاررفته در این پایاننامه را در مقابل روشهای سنتی نشان میدهد.همچنین استفاده از شبکههای عصبی عمیق برای دو قسمت شناسایی ترافیک و کنترل سیگنال ترافیک روش جدیدی است که در این پایاننامه ارائهشده است که این توانایی را به سیستم میدهد تا بهصورت کاربردی و در محیط واقعی پیادهسازی شود .
فایل: ّFile: تنزيل فایل