Інтелектуальна система прогнозування траєкторії навколишніх засобів із застосування машинного навчання та V2V –комунікацій
Автор: Висоцька Христина Володимирівна
Кваліфікаційний рівень: магістр
Спеціальність: Комп'ютерні системи управління рухомими об'єктами (автомобільний транспорт)
Інститут: Інститут комп'ютерних технологій, автоматики та метрології
Форма навчання: денна
Навчальний рік: 2024-2025 н.р.
Мова захисту: англійська
Анотація: Магістерська кваліфікаційна робота спрямована на розв’язання актуальної проблеми підвищення безпеки дорожнього руху шляхом прогнозування траєкторій транспортних засобів. У сучасних умовах інтенсивного трафіку важливими завданнями є раннє виявлення небезпечних ситуацій та мінімізація наслідків можливих аварій. Сучасні системи, що базуються лише на даних бортових давачів, обмежені через вплив зовнішніх факторів та обмежений радіус дії. Інтеграція машинного навчання та V2V-комунікацій [1] відкриває нові можливості для більш точного та стабільного прогнозування, що підвищує безпеку дорожнього руху та сприяє розвитку інтелектуальних транспортних систем. Об’єктом дослідження є процес прогнозування траєкторій транспортних засобів у дорожньому русі. Предметом дослідження є методи прогнозування руху із застосуванням технології V2V-комунікації. Метою дослідження є розробка моделі прогнозування траєкторій, що інтегрує дані з бортових давачів та мережевої взаємодії між транспортними засобами, забезпечуючи високу точність прогнозів у реальному часі. У вступі роботи обґрунтовано необхідність створення таких систем для зменшення кількості аварій та підвищення ефективності управління дорожнім рухом. Визначено основні завдання дослідження, зокрема аналіз наявних методів, розробка моделі, її тестування в симуляційному середовищі та економічна оцінка. У першому розділі виконано аналітичний огляд літератури, де систематизовано наявні підходи до прогнозування траєкторій: фізичні моделі, 5 моделі, орієнтовані на маневри, та моделі взаємодії. Проаналізовано їхні обмеження, зокрема низьку точність у складних сценаріях, що обґрунтувало необхідність розробки комбінованого підходу. У другому розділі визначено та обґрунтовано проблемну ситуацію, а також розроблено вимоги до даних. Запропоновано використання V2V-комунікацій для отримання більш точних даних про сусідні транспортні засоби. Визначено критерії для моделювання та обробки невизначеностей, притаманних дорожнім умовам. У третьому розділі представлено методи та засоби вирішення завдання. Розроблено архітектуру моделі, що включає модулі для перетворення координат, агрегування станів сусідніх транспортних засобів, розпізнавання маневрів і прогнозування майбутніх траєкторій. Використано нейронну мережу з багатомодальним підходом, що дозволяє враховувати різні сценарії розвитку дорожньої ситуації. У четвертому розділі реалізовано систему в симуляційному середовищі, проведено тестування її роботи в різних дорожніх сценаріях. Результати показали значне покращення точності короткострокового прогнозування порівняно з наявними методами [2]. Досягнуто значення кореневого середньоквадратичного відхилення (англ. Root Mean Square Error, RMSE) [3] 0,26 метра для прогнозів на 1 секунду, що на 47% перевищує точність відомих альтернатив. На 2- та 3-секундному горизонті RMSE становить 0,87 метра та 1,61 метра відповідно, що на 20% і 8,5% випереджає інші підходи. На довших інтервалах точність моделі дещо поступається найкращим підходам: на 4 секунди RMSE зростає на 1,2%, а на 5 секунд - на 11%, що вказує на потенціал для подальшого вдосконалення у довгостроковому прогнозуванні. Розроблена модель демонструє високу точність прогнозування поперечних маневрів, досягаючи 97,99% точності для 5-секундного інтервалу, однак точність поздовжніх маневрів становить 64%, що вказує на необхідність подальшого вивчення цього аспекту. 99-й процентиль [4] часу відгуку моделі 6 становить менше 16 мс, що забезпечує можливість використання у реальному часі. У п’ятому розділі розглянуто економічну частину. Проведено аналіз витрат на розробку програмного забезпечення та експлуатацію системи. Розраховано економічні показники, які підтвердили доцільність впровадження системи для покращення безпеки дорожнього руху. Результати дослідження демонструють практичну цінність розробленої моделі для систем допомоги водіям [5], автономних транспортних засобів та інтелектуальних транспортних систем. У висновках відзначено, що розроблена система є ефективною та перспективною для впровадження в транспортну інфраструктуру, зокрема для підвищення точності оцінки ризиків та управління транспортними потоками. Ключові слова: прогнозування траєкторій, V2V-комунікація, машинне навчання, безпека дорожнього руху, інтелектуальні транспортні системи. Перелік використаних літературних джерел: 1. Xiang, W., Gozalvez, J., Niu, Z., Altintas, O., & Ekici, E. (2009). Wireless Access in Vehicular Environments. EURASIP Journal on Wireless Communications and Networking, 2009(1). https://doi.org/10.1155/2009/576217 2. Li, S., Xue, Q., Shi, D., Li, X., & Zhang, W. (2022). Recursive Least Squares Based Refinement Network for Vehicle Trajectory Prediction. Electronics, 11(12), 1859. https://doi.org/10.3390/electronics11121859 3. Root-Mean-Square Error. (2017). У Encyclopedia of GIS (с. 1794). Springer International Publishing. https://doi.org/10.1007/978-3-319-17885-1_101126 4. Eldridge, S. (2023).Percentile| Definition, Quartile, & Facts| Britannica. Encyclopedia Britannica. https://www.britannica.com/topic/percentile 5. C, S., P, S., Raj, M., & Raj, S. (2023). Advanced Driver Assistance System (ADAS) in Autonomous Vehicles: A Complete Analysis. У 2023 8th International Conference on Communication and Electronics Systems (ICCES). IEEE. https://doi.org/10.1109/icces57224.2023.10192617