Solving Vehicle Platooning Problem with Neural Networks
| dc.contributor.advisor | Barghi Jond, Hossein | |
| dc.contributor.author | Vo, Duy Quy | |
| dc.contributor.referee | Krömer, Pavel | |
| dc.date.accepted | 2022-05-31 | |
| dc.date.accessioned | 2022-09-01T07:20:11Z | |
| dc.date.available | 2022-09-01T07:20:11Z | |
| dc.date.issued | 2022 | |
| dc.description.abstract | This research seeks to solve the platoon control problem using the abilities of Artificial Neural Networks. Because it is difficult to obtain an analytical solution to the platoon control problem, the function approximation ability of Neural Networks is preferred to search for approximate solutions. In this thesis, we create an error function that encompasses all of the Pontryagin minimum principle (PMP) derived conditions for the platoon formation control under the Predecessor-following topology. The experimental solution for the state function, control function, and Lagrange multipliers is derived from the error function. State, control, and cost functions are implemented using Neural Networks. To optimize weights for the error function, optimization techniques such as the Genetic Algorithm (GA), Differential Evolution (DE), and variations of the self-organizing migrating algorithm (SOMA) algorithm are used. We substitute the optimized weights in the approximated functions and get the solutions to the platoon formation control problem. | en |
| dc.description.abstract | Tento výzkum se snaží vyřešit problém kontroly čety pomocí schopností umělých neuronových sítí. Protože je obtížné získat analytické řešení problému řízení čety, je před hledáním přibližných řešení upřednostňována schopnost aproximace funkcí neuronových sítí. V této práci vytváříme chybovou funkci, která zahrnuje všechny podmínky odvozené z Pontryaginova minimálního principu (PMP) pro řízení formace čety v topologii navazující na předchůdce. Experimentální řešení pro stavovou funkci, Řídicí funkci a Lagrangeovy multiplikátory je odvozeno z chybové funkce. Funkce stavu, řízení a nákladů jsou implementovány pomocí neuronových sítí. Pro optimalizaci váhy pro chybovou funkci se používají optimalizační techniky, jako je genetický algoritmus (GA), diferenciální evoluce (DE) a variace algoritmu samoorganizujícího se migračního algoritmu (SOMA). Nahradíme optimalizované váhy v aproximovaných funkcích a získáme řešení problému řízení formace čety. | cs |
| dc.description.department | 460 - Katedra informatiky | cs |
| dc.description.result | dobře | cs |
| dc.format.extent | 1782698 bytes | |
| dc.format.mimetype | application/pdf | |
| dc.identifier.other | OSD002 | |
| dc.identifier.sender | S2724 | |
| dc.identifier.thesis | VOD0053_FEI_B2647_2612R025_2022 | |
| dc.identifier.uri | http://hdl.handle.net/10084/147277 | |
| dc.language.iso | en | |
| dc.publisher | Vysoká škola báňská – Technická univerzita Ostrava | cs |
| dc.rights.access | openAccess | |
| dc.subject | Pontryagin minimum principle | en |
| dc.subject | Optimal control problem | en |
| dc.subject | Artificial Neural Networks | en |
| dc.subject | Connected and automated vehicle (CAV) | en |
| dc.subject | Platoon formation control | en |
| dc.subject | Pontryaginův minimální princip | cs |
| dc.subject | problém optimálního řízení | cs |
| dc.subject | umělé neuronové sítě | cs |
| dc.subject | připojené a automatizované vozidlo (CAV) | cs |
| dc.subject | řízení formace čety | cs |
| dc.thesis.degree-branch | Informatika a výpočetní technika | cs |
| dc.thesis.degree-grantor | Vysoká škola báňská – Technická univerzita Ostrava. Fakulta elektrotechniky a informatiky | cs |
| dc.thesis.degree-level | Bakalářský studijní program | cs |
| dc.thesis.degree-name | Bc. | |
| dc.thesis.degree-program | Informační a komunikační technologie | cs |
| dc.title | Solving Vehicle Platooning Problem with Neural Networks | en |
| dc.title.alternative | Řešení problému s četou vozidel pomocí neuronových sítí | cs |
| dc.type | Bakalářská práce | cs |
Files
Original bundle
1 - 4 out of 4 results
Loading...
- Name:
- VOD0053_FEI_B2647_2612R025_2022.pdf
- Size:
- 1.7 MB
- Format:
- Adobe Portable Document Format
- Description:
- Text práce
Loading...
- Name:
- VOD0053_FEI_B2647_2612R025_2022_zadani.pdf
- Size:
- 46.01 KB
- Format:
- Adobe Portable Document Format
- Description:
- Zadání
Loading...
- Name:
- VOD0053_FEI_B2647_2612R025_2022_posudek_vedouci_Barghi_Jond_Hossein.pdf
- Size:
- 54.81 KB
- Format:
- Adobe Portable Document Format
- Description:
- Posudek vedoucího – Barghi Jond, Hossein
Loading...
- Name:
- VOD0053_FEI_B2647_2612R025_2022_posudek_oponent_Kromer_Pavel.pdf
- Size:
- 56.31 KB
- Format:
- Adobe Portable Document Format
- Description:
- Posudek oponenta – Krömer, Pavel