\"Caraware\" arcabouço para simulação de veículos conectados e autônomos: treinamento de percepção coletiva usando aprendizado profundo por reforço.

• Ano de defesa: 2024
• Autor(a) principal: Araújo, Túlio Oliveira
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado por refôrço; Connected autonomous vehicles; Deep reinforcement learning; Frameworks; Simulation framework; V2X; Veículos autônomos
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3142/tde-13022025-103347/

Os veículos autônomos (AVs) prometem ser uma das principais inovações da indústria automotiva nas próximas décadas. A redução no número de acidentes (muitos causados por erros humanos) e 0 aumento da eficiência e fluxo de tráfego (importante para ambientes urbanos), são algumas das razões pelas quais este é um dos temas mais pesquisados na indústria automotiva e na academia. 0 caminho para sistemas de transporte baseados em AVs requer ferramentas que possam facilitar essa transição. Houve grandes avanços nos sistemas de assistência ao motorista (ADAS), mas a transição para veículos completamente autônomos ainda enfrenta desafios. Mesmo com sensores e sistemas de processamento avançados, os veículos ainda não conseguem detectar todos os obstáculos. Uma nova linha de pesquisa ganhou força nos últimos anos, com o objetivo de conectar AVs a outros veículos, dispositivos e à nuvem, usando a comunicação de veículo a tudo (V2X) , resultando nos Veículos Autônomos Conectados (CAVs). Esse tipo de comunicação atende à necessidade de suprir essa demanda de informações, para que as decis6es tomadas pelas unidades de controle dos veículos autônomos sejam as mais precisas possíveis, bem como identificar todas as situações a que são expostos. Pesquisas recentes, com 0 intuito de aumentar a percepção dos veículos, tem sido realizadas tanto em veículos quanta em simulações. A primeira abordagem fornece uma interpretação precisa, mas e cara e lenta. As simulações, por outro lado, fornecem ferramentas rápidas e acessíveis para esses desenvolvimentos. Para facilitar a incorporação de métodos de Deep Reinforcement Learning (DRL) usados para 0 treinamento nos procedimentos de reconhecimento de padrões (de situações nas quais os veículos se encontram) por veículos autônomos (ou semi), foi criado 0 framework CarAware para simulações detalhadas de múltiplos veículos, que funciona em conjunto com 0 simulador de trânsito de código aberto CARLA. Este framework visa preencher a lacuna identificada nos frameworks de DRL para 0 CARLA atualmente disponíveis, muitas vezes focados na percepção e controle de um único veículo. Ele fornece a base para 0 treinamento de agentes DRL em cenários com vários veículos autônomos conectados (CAVs), com foco na fusão de dados de seus sensores para localização e identificação de objetos. A estrutura proposta apresenta uma maneira fácil de configurar sessões de treinamento por episódio, com número/modelos customizados de veículos (incluindo seus sensores), pedestres e obstáculos. Ele fornece uma visualização superior do mapa, com informações de alto nível sobre todos os objetos simulados e as principais métricas de treinamento. Também inclui suporte a algoritmos DRL, com métricas integradas e geração de relatórios. Como primeiro estudo de caso, para comprovar as funcionalidades básicas do framework, foram realizadas sessões de treinamento, focadas em sensores relacionados a posição e movimento dos veículos. No entanto, esta estrutura já apresenta as bases para uma futura implementação completa de fusão de sensores de CAYs. Esse modelo treinado poderia então ser implementado na nuvem, proporcionando 0 mapeamento do ambiente com objetos identificados naquela área, atuando como uma percepção coletiva desses veículos.