Solving Vehicle Platooning Problem with Neural Networks

dc.contributor.advisorBarghi Jond, Hossein
dc.contributor.authorVo, Duy Quy
dc.contributor.refereeKrömer, Pavel
dc.date.accepted2022-05-31
dc.date.accessioned2022-09-01T07:20:11Z
dc.date.available2022-09-01T07:20:11Z
dc.date.issued2022
dc.description.abstractThis 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.abstractTento 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.department460 - Katedra informatikycs
dc.description.resultdobřecs
dc.format.extent1782698 bytes
dc.format.mimetypeapplication/pdf
dc.identifier.otherOSD002
dc.identifier.senderS2724
dc.identifier.thesisVOD0053_FEI_B2647_2612R025_2022
dc.identifier.urihttp://hdl.handle.net/10084/147277
dc.language.isoen
dc.publisherVysoká škola báňská – Technická univerzita Ostravacs
dc.rights.accessopenAccess
dc.subjectPontryagin minimum principleen
dc.subjectOptimal control problemen
dc.subjectArtificial Neural Networksen
dc.subjectConnected and automated vehicle (CAV)en
dc.subjectPlatoon formation controlen
dc.subjectPontryaginův minimální principcs
dc.subjectproblém optimálního řízenícs
dc.subjectumělé neuronové sítěcs
dc.subjectpřipojené a automatizované vozidlo (CAV)cs
dc.subjectřízení formace četycs
dc.thesis.degree-branchInformatika a výpočetní technikacs
dc.thesis.degree-grantorVysoká škola báňská – Technická univerzita Ostrava. Fakulta elektrotechniky a informatikycs
dc.thesis.degree-levelBakalářský studijní programcs
dc.thesis.degree-nameBc.
dc.thesis.degree-programInformační a komunikační technologiecs
dc.titleSolving Vehicle Platooning Problem with Neural Networksen
dc.title.alternativeŘešení problému s četou vozidel pomocí neuronových sítícs
dc.typeBakalářská prácecs

Files

Original bundle

Now showing 1 - 4 out of 4 results
Loading...
Thumbnail Image
Name:
VOD0053_FEI_B2647_2612R025_2022.pdf
Size:
1.7 MB
Format:
Adobe Portable Document Format
Description:
Text práce
Loading...
Thumbnail Image
Name:
VOD0053_FEI_B2647_2612R025_2022_zadani.pdf
Size:
46.01 KB
Format:
Adobe Portable Document Format
Description:
Zadání
Loading...
Thumbnail Image
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...
Thumbnail Image
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