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

Show simple item record

dc.contributor Helsingin yliopisto, Matemaattis-luonnontieteellinen tiedekunta fi
dc.contributor University of Helsinki, Faculty of Science en
dc.contributor Helsingfors universitet, Matematisk-naturvetenskapliga fakulteten sv
dc.contributor.author Rantapelkonen, Antti
dc.date.issued 2020
dc.identifier.uri URN:NBN:fi:hulib-202008263838
dc.identifier.uri http://hdl.handle.net/10138/318573
dc.description.abstract 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. fi
dc.description.abstract 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. en
dc.language.iso fin
dc.publisher Helsingin yliopisto fi
dc.publisher University of Helsinki en
dc.publisher Helsingfors universitet sv
dc.subject itseohjautuvat ajoneuvot
dc.subject päätöksenteko
dc.subject partially observable Markov decision process
dc.title Epävarmuus itseohjautuvan ajoneuvon päätöksenteossa : liikenteen ennakointi Markovin päätöksentekoprosessiin perustuvien menetelmien avulla fi
dc.type.ontasot pro gradu -tutkielmat fi
dc.type.ontasot master's thesis en
dc.type.ontasot pro gradu-avhandlingar sv
dc.subject.discipline Tietojenkäsittelytiede und
dct.identifier.urn URN:NBN:fi:hulib-202008263838

Files in this item

Total number of downloads: Loading...

Files Size Format View
Rantapelkonen_Antti_Pro_gradu_2020.pdf 2.571Mb PDF View/Open

This item appears in the following Collection(s)

Show simple item record