CBL - Campus del Baix Llobregat

Projecte llegit

Títol: Disseny, configuració i validació d'algorismes de Machine Learning aplicats la gestió automatitzada d'encaminament per a vehicles autònoms amb descàrregues de continguts en un entorn controlat

Estudiants que han llegit aquest projecte:

Director/a: CERVELLÓ PASTOR, CRISTINA

Departament: ENTEL

Títol: Disseny, configuració i validació d'algorismes de Machine Learning aplicats la gestió automatitzada d'encaminament per a vehicles autònoms amb descàrregues de continguts en un entorn controlat

Data inici oferta: 19-07-2023     Data finalització oferta: 19-03-2024


Estudis d'assignació del projecte:
    DG ENG SISTE/TELEMÀT
Tipus: Individual
 
Lloc de realització: EETAC
 
Paraules clau:
IA/ML, DRL, Offloading, 5G/6G, Vehicle autònom, Aprenentatge distribuït, federat i centralitzat
 
Descripció del contingut i pla d'activitats:
Objectiu del projecte:

Disseny, configuració i validació d'algorismes d'intel·ligència
artificial per a la gestió
automatitzada d'encaminament i descarregues de continguts
aplicats en un entorn controlat
de vehicles autònoms que reben un servei d'offloading.


Pla de treball
' Anàlisi de l'estat de l'art dels algorismes Deep Reinforcement
Learning (DQN, AC2, Fed
Avg, etc.) centralitzats i distribuïts aplicats a vehicles
autònoms, conducció assistida i
offloading.
' Disseny de la topologia i configuració dels elements
(servidors, UE, MEC, xarxa..) que
componen l'entorn de laboratori.
' Adaptació i posta en marxa de l'UE, vehicle a escala.
' Elecció i avaluació dels protocols de transport (Rabbit MQ,
QUIC,..).
' Desenvolupament, integració i validació dels algorismes de DRL,
protocols de transport
(Rabbit MQ, QUIC, etc.) i monitorització per la gestió automàtica
del servei sobre
plataforma de laboratori. Elecció de l'algorisme, i construcció
del pla de transport i
control.
' Elecció i avaluació de la tecnologia radio emprada en els MECs.
Modelització del canal.
Proposta i validació del mecanisme de traspàs (handovers).
' Descripció de l'entorn controlat.
' Desplegament dels elements (MEC, UE, xarxa radio, etc.) en camp
i re configuració dels
seus paràmetres.
' Validació en camp de la solució proposada.
 
Overview (resum en anglès):
This Work addresses the design, implementation and validation of an autonomous vehicle
routing system designed to be used in controlled urban environments. The project places
technologies such as cloud computing, edge computing and artificial intelligence, especially
deep reinforcement learning, as the foundations of the proposed solution.
Initially, there is a design stage where the characteristics required by the proposed solution
are specified, and the scenario where the field tests have been carried out is also specified.
Next, the various blocks defined using Python programming and various devices of the
NVIDIA Jetson family have been implemented.
The incorporation of artificial intelligence has been left to take place once the routing system
has been validated. At this point, an agent and an algorithm have been developed to
incorporate the entire system developed as an environment accessible by the agent.
Finally, several tests have been carried out that have consisted of training the agent created
using the routing system as an environment with the aim of validating the operation of the
entire set of functional blocks, carrying out tests based on both simulations and real tests
by deploying the devices used in streetlights and using an autonomous vehicle prototype
(also developed in this work). The tests carried out have made it possible to corroborate
that the system works correctly, following the specifications defined at the beginning of the
work. In addition, the system has shown that developing autonomous vehicle guidance
mechanisms is a viable solution, achieving that an artificial intelligence model decides
how the vehicles should move around the scenario in real-time.

© CBLTIC Campus del Baix Llobregat - UPC