מודל AI רב-סוכנים לשינוי נתיב משפר פלוטונינג ב-26%

בעידן שבו רכבים אוטונומיים מחוברים (CAVs) נכנסים לכבישים, האתגר הגדול הוא תיאום ביניהם בתוך תנועה מעורבת עם כלי רכב המונעים על ידי בני אדם. מחקר חדש, שפורסם ב-arXiv, מציג מודל החלטת שינוי נתיב רב-סוכנים מבוסס למידה מחוזקת עמוקה (DRL), שמגדיל את שיעור הפלוטונינג השיתופי ב-26.2%. המודל פותר את בעיית הצפיפות הנמוכה של CAVs בשלבים הראשונים של ההטמעה, ומאפשר תיאום יעיל יותר להגברת יעילות אנרגטית וזרימת תנועה. המודל משלב את מסגרת QMIX עם עיבוד נתוני תנועה באמצעות רשת עצבית קונבולוציונית (CNN-QMIX), מה שמאפשר ל-CAVs לקבל החלטות אופטימליות ללא תלות במספר הרכבים האוטונומיים בסביבה. בנוסף, תוכננו מתכנן מסלול ומנגנון בקרה חזויה (MPC) להבטחת שינוי נתיב חלק ובטוח. לפי החוקרים, ארכיטקטורה זו מתמודדת בהצלחה עם תרחישי תנועה דינמיים משתנים, ומשפרת את ההשתתפות בפלוטונינג השיתופי. המודל אומן והוערך בסביבת מיקרו-סימולציה תחת שיעורי חדירה שונים של CAVs בשוק. התוצאות מראות עלייה משמעותית בשיעור הפלוטונינג השיתופי – עד 26.2% – ועלייה ביעילות הכוללת לעומת מודלים מבוססי כללים בסיסיים. המודל מצליח להתמודד עם מספר משתנה של סוכני תנועה, מה שהופך אותו לרלוונטי במיוחד לשלבי ההטמעה המוקדמים. בהקשר רחב יותר, הפתרון הזה חיוני להאצת אימוץ טכנולוגיות CAVs, שכן הוא ממקסם את היתרונות של תיאום שיתופי גם כאשר רק אחוז קטן מהרכבים מצוידים במערכות אוטונומיות. בהשוואה לחלופות, CNN-QMIX מציע גמישות גבוהה יותר בתנאי תנועה אמיתיים, ומפחית את התלות בפיזור אחיד של CAVs. בישראל, שבה תנועה צפופה היא אתגר יומיומי, טכנולוגיה כזו יכולה לשפר משמעותית את זרימת הכבישים העירוניים. למנהלי עסקים בתחום התחבורה והלוגיסטיקה, המודל מצביע על פוטנציאל להפחתת עלויות דלק וזמן נסיעה באמצעות פלוטונינג שיתופי מוגבר. הוא מדגיש את החשיבות של AI מתקדם להתמודדות עם תנועה מעורבת, ומעודד השקעה בפיתוח דומה. העתיד מבטיח שיפורים נוספים ככל ששיעור החדירה יגדל.