پيش‌بيني مسير حركت آينده عابران پياده با استفاده از مدل تركيبي مبتني بر يادگيري عميق و نيروهاي فيزيكي

اصفهان : دانشگاه صنعتي اصفهان

مهندسي كامپيوتر

كارشناسي ارشد

پيش‌بيني مسير حركت عابران پياده در محيط‌هاي شلوغ و پويا يكي از چالش‌هاي اساسي در حوزه‌هاي مختلفي مانند سيستم‌هاي خودران، رباتيك و مديريت ترافيك است. اين مسئله به دليل رفتار غيرقابل پيش‌بيني انسان‌ها و تعاملات پيچيده‌اي كه در ميان افراد در فضاهاي شلوغ وجود دارد، پيچيدگي زيادي دارد. در اين راستا، دو رويكرد اصلي براي پيش‌بيني مسير حركت عابران پياده وجود دارد: مدل‌هاي مبتني بر دانش و مدل‌هاي مبتني بر يادگيري عميق. مدل‌هاي مبتني بر دانش از قوانين فيزيكي و اجتماعي براي مدل‌سازي رفتار عابران استفاده مي‌كنند و قابليت تفسيرپذيري خوبي دارند، اما در محيط‌هاي پيچيده دقت كمتري دارند. از طرف ديگر، مدل‌هاي مبتني بر يادگيري عميق توانايي بالايي در استخراج الگوهاي پيچيده از داده‌ها دارند، ولي معمولاً از نظر تفسيرپذيري ضعيف هستند و به داده‌هاي آموزشي زيادي هم نياز دارند.هدف اين پژوهش تركيب مزاياي هر دو رويكرد به‌منظور كاهش محدوديت‌هاي هر يك و افزايش دقت پيش‌بيني مسير حركت عابران پياده است. در اين پژوهش، از تركيب يك مدل برنامه‌ريزي حركت مبتني بر نيرو (به عنوان يك مدل مبتني بر دانش) و شبكه‌هاي عصبي عميق براي پيش‌بيني مسير حركت عابران استفاده شده است. اين مدل برنامه‌ريزي حركت مبتني بر نيرو به‌طور خاص دو نيروي اصلي را در نظر مي‌گيرد: نيروي ناوبري براي حركت عابر به سمت هدف و نيروي دافعه براي جلوگيري از برخورد با ديگر عابران و موانع موجود. اين مدل به‌عنوان پايه‌اي فيزيكي براي پيش‌بيني مسيرهاي حركت استفاده مي‌شود و قابليت تفسيرپذيري بالايي دارد.براي افزايش دقت پيش‌بيني و درك پيچيدگي‌هاي تعاملات انساني، شبكه‌هاي عصبي عميق به اين مدل افزوده مي‌شوند. شبكه‌هاي عصبي با توانايي يادگيري الگوهاي پيچيده از داده‌ها قادرند رفتارهاي اجتماعي و تغييرات زماني را كه در مدل‌هاي مبتني بر نيرو به‌خوبي شبيه‌سازي نمي‌شوند، ياد بگيرند. به‌اين‌ترتيب، شبكه‌هاي عصبي عميق به‌ويژه براي يادگيري روابط پيچيده ميان نيروهاي فيزيكي و ويژگي‌هاي محيطي به‌كار مي‌روند و متغيرهاي مختلف نيروهاي فيزيكي (مانند نيروي ناوبري و نيروي دافعه) را به‌طور پويا با توجه به داده‌هاي ورودي از جمله موقعيت، سرعت و تعاملات اجتماعي عابران پياده به‌روزرساني مي‌كنند.اين تركيب باعث افزايش دقت پيش‌بيني در محيط‌هاي شلوغ و پيچيده شده و همزمان قابليت تفسيرپذيري مدل را حفظ مي‌كند. شبكه‌هاي عصبي به‌صورت خاص به‌كارگيري نيروهاي فيزيكي را به‌صورت بهينه و بر اساس داده‌هاي تاريخي و ويژگي‌هاي محيطي تطبيق مي‌دهند، در حالي‌كه اين مدل برنامه‌ريزي حركت مبتني بر نيرو همچنان رفتار عابران را در قالب نيروهاي اجتماعي و فيزيكي توضيح مي‌دهد. به اين ترتيب، مدل پيشنهادي از مزاياي دقت بالا و قدرت يادگيري مدل‌هاي يادگيري عميق و همچنين تفسيرپذيري مدل‌هاي مبتني بر نيرو برخوردار است. پس از تخمين اوليه مسيرها توسط مدل تركيبي پيشنهادي، يك مرحله پس‌پردازش با يادگيري توزيع خطاها، عدم قطعيت ذاتي را كاهش داده و دقت پيش‌بيني را بهبود مي‌بخشد. مدل پيشنهادي در مجموعه داده Dataset Drone Stanford ارزيابي شده است و نتايج نشان‌دهنده كاهش قابل توجه خطاي جابه‌جايي متوسط و خطاي جابه‌جايي نهايي است. اين مدل عملكرد بسيار خوبي نشان مي‌دهد و مي‌تواند در كاربردهايي مانند ناوبري خودران، شبيه‌سازي جمعيت و سيستم‌هاي مديريت ترافيك استفاده شود.مزاياي اين روش شامل دقت بالا در پيش‌بيني مسير، حفظ تفسيرپذيري مدل‌هاي فيزيكي و سرعت پردازش بالا است. اين تركيب به‌طور مؤثر توانسته است محدوديت‌هاي هر دو رويكرد را پوشش دهد و دقت پيش‌بيني را بهبود بخشد.

233390

هوش مصنوعي و رباتيكز

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان