Avanzamenti nelle strategie di guida senza corsia per i CAV

I veicoli connessi e automatizzati (CAV) stanno diventando un grande obiettivo sia per la ricerca che per l'industria. Questi veicoli hanno sensori e tecnologie avanzate che permettono loro di comunicare in modo efficace. Questa comunicazione include interazioni tra veicoli e infrastrutture, rendendo la guida più facile e sicura. Con alti livelli di automazione, i CAV possono gestire compiti come accelerare, frenare, sterzare e cambiare corsia senza bisogno di un conducente. Questa tecnologia può portare a strade più sicure, meno incidenti, meno traffico e emissioni ridotte.

Guidare coinvolge un sacco di azioni e reazioni diverse che solo le regole non possono coprire. Per questo motivo, i CAV non dovrebbero fare affidamento solo su comandi fissi per affrontare ogni situazione che potrebbero incontrare sulla strada. Invece, possono essere progettati per imparare e migliorare le loro abilità di guida vivendo situazioni di guida reali o simulate. L'apprendimento profondo per rinforzo (DRL) è un modo popolare per costruire sistemi intelligenti che possono adattarsi bene alle sfide della guida.

Questo lavoro si concentra su una nuova strategia di guida per i CAV che opera senza corsie. L'idea della guida senza corsie consente ai veicoli di utilizzare l'intera strada ed è vista come un modo per migliorare il flusso del traffico. La sfida sta nell'insegnare ai CAV come guidare in modo sicuro ed efficiente in questo nuovo ambiente, poiché guidare senza corsie può causare cambiamenti imprevedibili nel comportamento delle auto.

#Cos'è la guida senza corsie?

La guida senza corsie è un sistema in cui le auto non sono vincolate a corsie, permettendo loro di muoversi liberamente sulla strada. Questo movimento flessibile può portare a un uso più efficiente dello spazio stradale e a una migliore gestione del traffico.

Il traffico è spesso imprevedibile, con i veicoli che cambiano costantemente il loro comportamento. Questo rende difficile creare regole che si applicano a tutte le situazioni. Invece, l'approccio dovrebbe coinvolgere sistemi che possano adattarsi e imparare nel tempo. Nella guida senza corsie, i veicoli possono interagire tra loro e con l'ambiente in modo più fluido, il che può portare a un flusso di traffico più regolare.

#Sfide nel traffico senza corsie

Una delle principali sfide nella guida senza corsie è l'imprevedibilità dell'ambiente. Ogni auto, agendo come un'unità individuale, potrebbe non vedere l'intera situazione del traffico, il che rende difficile il loro processo decisionale. Questa situazione richiede una strategia di Apprendimento Multi-agente, in cui ogni veicolo può imparare dalla propria esperienza e dalle azioni degli altri per prendere decisioni di guida migliori.

Un aspetto significativo di questo approccio all'apprendimento è gestire come le auto interagiscono tra loro attraverso spinte e forze repulsive. Queste forze permettono ai veicoli di navigare in sicurezza l'uno attorno all'altro, evitando collisioni mentre consentono di sorpassare.

#La strategia di guida proposta

La strategia proposta coinvolge una configurazione specifica per i veicoli connessi e automatizzati. L'obiettivo è migliorare la sicurezza e l'efficienza del traffico utilizzando un approccio di apprendimento profondo per rinforzo multi-agente. Ogni veicolo impara dalle proprie azioni e da quelle dei veicoli circostanti, permettendogli di prendere decisioni informate.

Per raggiungere questo obiettivo, i veicoli saranno addestrati utilizzando un metodo che simula condizioni di traffico senza corsie. L'addestramento include vari compiti di guida, come mantenere la velocità, evitare collisioni e fondersi o divergere correttamente dal traffico.

#Comprendere l'ambiente di guida

#Simulazione del Traffico

Per l'addestramento e la valutazione della strategia di guida proposta, viene creato un ambiente di simulazione del traffico. Questa simulazione emula situazioni di traffico del mondo reale e consente a più veicoli di operare insieme in un'impostazione senza corsie. Ogni veicolo, o agente, partecipa a un ambiente dinamico in cui deve valutare la sua posizione, velocità e le azioni dei veicoli vicini.

#Misure di Sicurezza

Una parte cruciale di questa strategia di guida è garantire che la sicurezza sia prioritaria. Ogni veicolo ha una zona di sicurezza ellittica attorno a esso, che aiuta a determinare le distanze tra i veicoli. Questa zona di sicurezza consente il calcolo delle forze di spinta e repulsive, che aiutano a guidare le auto durante i sorpassi e le fusioni.

#Addestramento dei veicoli

I veicoli subiranno un ampio addestramento in un ambiente controllato dove imparano come rispondere ad altri veicoli e a condizioni mutevoli. Utilizzando la piattaforma di simulazione, i veicoli possono essere addestrati a riconoscere vari scenari e sviluppare strategie su come reagire.

#Funzione di ricompensa

Una funzione di ricompensa è cruciale nell'apprendimento per rinforzo. Questa funzione fornisce feedback ai veicoli in base alle loro prestazioni. Ad esempio, ai veicoli vengono date ricompense per mantenere una distanza di sicurezza dagli altri, mantenere la propria velocità desiderata e completare efficacemente le manovre di sorpasso.

#Apprendimento multi-agente

In un ambiente multi-agente, ogni veicolo impara non solo dalle proprie esperienze, ma anche dai comportamenti degli altri. Questo apprendimento collaborativo può portare a una migliore performance complessiva del traffico. Condividendo informazioni sulle loro posizioni e azioni, ogni veicolo può adattarsi e rispondere in modo più efficace all'ambiente circostante.

#Valutazione dell'approccio

Una volta addestrati, i veicoli saranno valutati in vari scenari di traffico per valutare la loro efficacia. Saranno raccolti diversi metriche per valutare le loro prestazioni, compresi evitando collisioni, mantenendo la velocità e l'efficienza complessiva del flusso di traffico.

#Risultati dalla fase di addestramento

Durante la fase di addestramento, i veicoli mostrano un miglioramento significativo nella navigazione dell'ambiente senza corsie. Imparano a evitare collisioni e a mantenere le loro velocità desiderate in modo più efficace man mano che l'addestramento avanza. Di conseguenza, il numero medio di collisioni diminuisce drasticamente, dimostrando l'efficacia dell'approccio proposto.

#Metriche di prestazione

Nella valutazione delle prestazioni dei CAV, metriche come la velocità media, la posizione laterale e il numero di collisioni forniranno informazioni su come i veicoli stanno navigando nell'ambiente senza corsie. La raccolta di queste metriche consente una valutazione completa del comportamento dei veicoli addestrati sulle strade simulate.

#Risultati degli scenari di simulazione

#Valutazione della strada anello

Le valutazioni su un'impostazione di strada anello verranno condotte per determinare quanto bene i veicoli possono esibirsi in un ambiente semi-controllato. I risultati mostrano che man mano che la densità dei veicoli aumenta, il flusso del traffico migliora, suggerendo che la guida senza corsie può migliorare significativamente la capacità stradale rispetto ai sistemi tradizionali basati su corsie.

#Analisi dello scenario autostradale

In uno scenario autostradale con svincoli e uscite, i veicoli mostreranno la loro capacità di fondersi e divergere efficacemente. L'analisi rivela che i veicoli si auto-organizzano in posizioni in base alle loro velocità desiderate, consentendo un flusso di traffico fluido e riducendo movimenti laterali non necessari.

#Conclusione e lavori futuri

In conclusione, la strategia di guida multi-task proposta offre una promettente opportunità per migliorare la sicurezza e l'efficienza negli ambienti di traffico senza corsie. L'approccio di apprendimento profondo per rinforzo multi-agente mostra il potenziale per migliorare significativamente come i veicoli autonomi interagiscono sulla strada. L'attenzione a spinte e forze repulsive consente fusioni, divergenze e sorpassi più sicuri, creando un'esperienza di traffico più fluida.

I lavori futuri coinvolgeranno il perfezionamento dei processi di addestramento per migliorare le prestazioni in condizioni di alta densità di traffico ed esplorare strategie multi-agente cooperative per una distribuzione del traffico ancora migliore. L'obiettivo è creare un sistema di traffico più armonioso in cui i veicoli possano comunicare e lavorare insieme in modo efficace all'interno di un ambiente senza corsie.