Система розумного паркування на основі IоT з використанням Ml-Agents Toolkit
DOI:
https://doi.org/10.31861/sisiot2025.1.01002Ключові слова:
Unity ML-агенти, датчики, тензор, навчання з підкріпленням, оптимізація проксимальної політикиАнотація
У сучасних містах виникають проблеми із обмеженим паркувальним простором, який потребує ефективної оптимізації для зменшення заторів. У цій роботі представлено актуальний підхід до вирішення проблеми паркування в умовах обмеженого простору з використанням Unity Machine Learning Agents Toolkit (ML-Agents). Даний інструментарій базується на штучних нейронних мережах та відкриває широкі можливості для навчання агентів, здатних у реальному часі виконувати завдання щодо оптимізації використання паркувальних зон та скорочення часу пошуку вільних місць у реальному часі. Передача даних із датчиків у системах Інтернету речей (IoT) відіграє ключову роль в оптимізації використання паркувальних місць і підвищенні комфорту водіїв. Для цього в систему інтегровано сучасні технології IoT, які дозволяють ефективно вирішувати проблеми паркування в умовах обмеженого міського простору. Представлено концепцію інтелектуальної системи паркування, яка використовує сенсорні технології та алгоритми машинного навчання для підвищення ефективності процесу та комфорту водія. Незважаючи на високі витрати на монтаж та обслуговування традиційних систем, застосування ігрового рушія Unity та ML-Agents дає змогу створювати навчальні середовища для попереднього тестування, налагодження та оптимізації алгоритмів. У процесі дослідження було розроблено та проаналізовано модель машинного навчання з використанням алгоритму Proximal Policy Optimization, що дозволило відтворити різноманітні сценарії навчання агентів. Це сприяло прискоренню та стабілізації процесу навчання, а також встановленню оптимальних параметрів моделі на основі аналізу ключових метрик ефективності. Отримані результати тестування та порівняльного аналізу підтверджують перспективність запропонованого підходу у сфері автономного паркування автомобілів.
Завантажити
Посилання
B. Padmavathi and V. Selvaraj, “Advanced optimization-based weighted features for ensemble deep learning smart occupancy detection network for road traffic parking,” J. Netw. Comput. Appl., vol. 230, p. 103924, 2024. doi: 10.1016/j.jnca.2024.103924.
F. Caicedo, “Real-time parking information management to reduce search time, vehicle displacement and emissions,” Transp. Res. D: Transp. Environ., vol. 15, no. 4, pp. 228–234, 2010. doi: 10.1016/j.trd.2010.02.008.
S. Saki and T. Hagen, “Cruising for parking again: Measuring the ground truth and using survival analysis to reveal the determinants of the duration,” Transp. Res. A: Policy Pract., vol. 183, p. 104045, May 2024. doi: 10.1016/j.tra.2024.104045.
W. A. Jabbar, L. Y. Tiew, and N. Y. Ali Shah, “Internet of things enabled parking management system using long range wide area network for smart city,” Internet Things Cyber-Phys. Syst., vol. 4, pp. 82–98, 2024. doi: 10.1016/j.iotcps.2023.09.001.
J. Arellano-Verdejo, F. Alonso-Pecina, E. Alba, and A. Guzmán Arenas, “Optimal allocation of public parking spots in a smart city: problem characterization and first algorithms,” J. Exp. Theor. Artif. Intell., vol. 31, no. 4, pp. 575–597, 2019. doi: 10.1080/0952813X.2019.1591522.
R. Ke, Y. Zhuang, Z. Pu, and Y. Wang, “A smart, efficient, and reliable parking surveillance system with edge artificial intelligence on IoT devices,” IEEE Trans. Intell. Transp. Syst., vol. 22, no. 8, pp. 4962–4974, 2021. doi: 10.1109/TITS.2020.2984197.
A. Aditya, Sh. Anwarul, R. Tanwar, and S. Krishna Vamsi Koneru, “An IoT assisted Intelligent Parking System (IPS) for Smart Cities,” Procedia Comput. Sci., vol. 218, pp. 1045–1054, 2023. doi: 10.1016/j.procs.2023.01.084.
M. Choi, G. Kang, and S. Lee, “Autonomous driving parking robot systems for urban environmental benefit evaluation,” J. Cleaner Prod., vol. 469, p. 143215, 2024. doi: 10.1016/j.jclepro.2024.143215.
A. Fahim, M. Hasan, and M. Alam Chowdhury, “Smart parking systems: comprehensive review based on various aspects,” Heliyon, vol. 7, no. 5, p. e07050, May 2021. doi: 10.1016/j.heliyon.2021.e07050.
T. Liu, H. Chen, J. Hu, Z. Yang, B. Yu, X. Du, Y. Miao, and Y. Chang, “Generalized multi-agent competitive reinforcement learning with differential augmentation,” Expert Syst. Appl., vol. 238, part C, p. 121760, 2024. doi: 10.1016/j.eswa.2023.121760.
M. Matulis and C. Harvey, “A robot arm digital twin utilizing reinforcement learning,” Comput. Graph., vol. 95, pp. 106–114, 2021. doi: 10.1016/j.cag.2021.01.011.
J. Schulman, F. Wolski, P. Dhariwal, A. Radford, and O. Klimov, “Proximal policy optimization algorithms,” arXiv preprint arXiv:1707.06347, 2017. doi: 10.48550/arXiv.1707.06347.
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Безпека інфокомунікаційних систем та Інтернету речей
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
