Epävarmuus itseohjautuvan ajoneuvon päätöksenteossa : liikenteen ennakointi Markovin päätöksentekoprosessiin perustuvien menetelmien avulla

Näytä kaikki kuvailutiedot



Pysyväisosoite

http://urn.fi/URN:NBN:fi:hulib-202008263838
Julkaisun nimi: Epävarmuus itseohjautuvan ajoneuvon päätöksenteossa : liikenteen ennakointi Markovin päätöksentekoprosessiin perustuvien menetelmien avulla
Tekijä: Rantapelkonen, Antti
Muu tekijä: Helsingin yliopisto, Matemaattis-luonnontieteellinen tiedekunta
University of Helsinki, Faculty of Science
Helsingfors universitet, Matematisk-naturvetenskapliga fakulteten
Julkaisija: Helsingin yliopisto
Päiväys: 2020
Kieli: fin
URI: http://urn.fi/URN:NBN:fi:hulib-202008263838
http://hdl.handle.net/10138/318573
Opinnäytteen taso: pro gradu -tutkielmat
Oppiaine: Tietojenkäsittelytiede
Tiivistelmä: Itseohjautuvan ajoneuvon on kyettävä huomioimaan ja ennakoimaan muita tienkäyttäjiä ympäristössä, jossa sen on mahdollista vain osittain havainnoida muiden osapuolien tiloja. Toisten tienkäyttäjien tyyppi, sijainti, nopeus ja suunta voidaan sensoridatan perusteella havaita luotettavasti, mutta niiden aikeiden ennustaminen on tekoälylle haastavaa. Ongelma voidaan ratkaista osittain havainnoitavalla Markovin päätöksentekoprosessilla (POMDP), joka tarjoaa matemaattisen kehyksen päätöksentekoon epävarmoissa tilanteissa. POMDP:n haasteena on kuitenkin laskennan reaaliaikaisuus, sillä sen toiminnan edellytyksenä itseohjautuvan ajoneuvon käytössä on riittävän tarkkojen approksimaatioiden laskeminen POMDP-ratkaisija-algoritmien avulla. Myös skaalautuvuus riittävän isolle määrälle muita tienkäyttäjiä ja niiden potentiaalisia reittivaihtoehtoja asettaa oman haasteensa POMDP-ratkaisijoille. Tässä pro gradu -tutkielmassa analysoidaan neljää eri tutkimusta, joissa epävarmuuden asettamat haasteet on pyritty ratkaisemaan POMDP-menetelmien avulla. Menetelmiä simuloidaan sekä risteys- että suojatietilanteissa soveltaen erilaisia ratkaisija-algoritmeja.A self-driving car must be able to observe and predict behavior of other road users in the environment where the states are only partly observable. Sensor data provides accurate identification of type, location, speed, and orientation of other road users, but predicting their intentions is difficult for artificial intelligence. The problem can be solved with partially observable Markov decision process (POMDP), which provides mathematical framework for decision making in uncertain situations. Nevertheless, the challenge for POMDP is real-time computation. Solving POMDP is mathematically intractable, therefore, POMDP solvers are used for approximations that are sufficiently accurate. Additionally, scalability for adequate number of other road users is challenging for many POMDP solvers. This master thesis is a literature survey in which four research papers are analyzed. The research papers provide solution for uncertainty in self driving cars decision making using POMDP with different solver algorithms in intersection and crosswalk scenarios.
Avainsanat: itseohjautuvat ajoneuvot
päätöksenteko
partially observable Markov decision process


Tiedostot

Latausmäärä yhteensä: Ladataan...

Tiedosto(t) Koko Formaatti Näytä
Rantapelkonen_Antti_Pro_gradu_2020.pdf 2.571MB PDF Avaa tiedosto

Viite kuuluu kokoelmiin:

Näytä kaikki kuvailutiedot