نموذج مبتكر لتغيير المسار بالاعتماد على التعلم المعزز التعاوني: ثورة في تنسيق المركبات ذاتية القيادة!

في عصر迅速 التغيير التكنولوجي، تحظى المركبات الآلية المترابطة (Connected Automated Vehicles - CAVs) بشعبية متزايدة نظرًا لقدرتها الفائقة على التواصل والتنسيق فيما بينها. هذه التقنية ليست مجرد وسيلة تقلل من الازدحام، بل تُعتبر أداة حيوية لتعزيز كفاءة استهلاك الطاقة وتحسين تدفق حركة المرور بشكل عام. ومع ذلك، يواجه هذا النظام المبتكر تحديات كبيرة خلال مراحله الأولية، خاصة بسبب الوجود المحدود للمركبات الذكية بين السيارات التي يقودها البشر.

للتغلب على هذه التحديات، قدمت الدراسة نموذجًا هجينًا يعتمد على التعلم المعزز متعدد الوكلاء (Multi-agent Deep Reinforcement Learning - DRL) لتحديد قرارات تغيير المسار. يهدف هذا النموذج إلى زيادة مشاركة المركبات الآلية في تشكيل قوافل تعاونية، مما يعظم فوائدها.

يستخدم النموذج المقترح إطار عمل QMIX، حيث يتم دمج بيانات المرور المعالجة عبر شبكة عصبية تلافيفية (Convolutional Neural Network - CNN) لتوفير قرارات مدروسة في سيناريوهات المرور الديناميكية. وهذا يُمكّن المركبات من اتخاذ قرارات مثلى على الرغم من التقلبات في عددها وسط حركة مرور مختلطة.

بالإضافة إلى ذلك، تم تصميم مخطط لحركة المركبات (Trajectory Planner) ووحدة تحكم توقعات نموذجية (Model Predictive Controller)، لضمان تنفيذ سلس وآمن لتغيير المسار. أثبتت التجارب ضمن بيئة محاكاة دقيقة فعالية هذا النموذج في إدارة التغيرات المفاجئة في عدد الوكلاء، حيث تفوق بشكل ملحوظ على النماذج التقليدية القائم على القواعد.

من النتائج المثيرة التي توصلت إليها الدراسة أن النموذج عزز معدلات التعاون في القوافل حتى 26.2%، مسلطًا الضوء على إمكانيته في تحسين التعاون بين المركبات الذكية وديناميكيات المرور في المراحل المبكرة من انتشارها.

هل تتخيل مستقبلًا حيث تصبح المركبات تتحرك بانسجام ودون أي عوائق؟ شاركونا آراءكم!