Источник: Санкт-Петербургский государственный архитектурно-строительный университет –
Важный отказ от ответственности находится в нижней части этой статьи.
Учёный СПбГАСУ исследовал, как с помощью технологий глубокого обучения с подкреплением и имитационного моделирования можно оптимизировать работу беспилотных такси в городской дорожной сети. Разработанные модели позволяют учитывать изменяющийся пассажиропоток, количество транспорта на дорогах и скорость его движения.
Исследование выполнил доктор технических наук, профессор кафедры технологий информационного и математического моделирования Алексей Наместников. Работа посвящена интеграции моделей обучения с подкреплением с имитационными моделями на примере поведения беспилотных такси в условиях городского трафика.
Алексей Наместников
Развитие технологий беспилотного транспорта открывает возможность для использования автономных автомобилей в городских системах общественного транспорта. При этом одной из задач становится обеспечение доступности такого транспорта для пассажиров: беспилотные такси должны находиться в тех местах, где в них возникает наибольшая потребность. Она, в свою очередь, может меняться в зависимости от интенсивности пассажиропотока и ситуации на дорогах.
Для решения этой задачи в исследовании использовались средства имитационного моделирования AnyLogic. На их основе были разработаны гибридные модели, объединяющие дискретно-событийный и агентный подходы к моделированию совокупности беспилотных такси как интегрированных интеллектуальных систем. Эти модели были дополнены технологиями глубокого обучения с подкреплением.
Такой подход позволяет моделировать поведение беспилотных такси с учётом меняющихся условий городской транспортной системы и подбирать оптимальное расположение автомобилей в дорожной сети. В результате появляется возможность одновременно учитывать несколько факторов – изменение пассажиропотока, количество транспортных средств и скорость движения городского транспорта.
Научная новизна проекта заключается в разработке нового метода оптимального расположения беспилотных такси в городской дорожной сети с учетом стохастической потребности. В отличие от известных подходов, предложенный метод основан на интеграции имитационных моделей и моделей глубокого обучения с подкреплением.
Кроме того, в рамках исследования разработана новая модель глубокого обучения с подкреплением Deep-Q-Network (DQN). Её особенностью стала адаптированная к решаемой задаче архитектура нейронной сети.
«Развитие многоагентных систем глубокого обучения с подкреплением позволяет перейти к более сложному моделированию поведения беспилотных транспортных средств. Перспективным направлением является их обучение на основе имитационного моделирования с использованием геоинформационных данных», – отметил Алексей Наместников.
Алексей Наместников занимается исследованиями в области применения интеллектуальных технологий при проектировании технических систем с 1997 года. По данной тематике ученым опубликовано около 120 научных работ. В дальнейшем ученый планирует продолжить работу над развитием многоагентных систем глубокого обучения с подкреплением для обучения политике поведения беспилотных транспортных средств. В качестве основы предполагается использовать имитационное моделирование и геоинформационные данные.
Исследование выполнено в рамках гранта на выполнение научно-исследовательских работ научно-педагогическими работниками СПбГАСУ в 2026 году.
Примите к сведению; Эта информация является необработанным контентом, полученным непосредственно от источника информации. Она представляет собой точный отчет о том, что утверждает источник, и не обязательно отражает позицию MIL-OSI или ее клиентов.