شماره مدرك
21101
شماره راهنما
18093
پديد آورنده
ورشوساز، مهران
عنوان
بهبود پوششدهي و نرخ مجموع در شبكههاي ارتباط خودرويي كمكشونده توسط رلههاي پهپادي
مقطع تحصيلي
كارشناسي ارشد
گرايش تحصيلي
مخابرات سيستم
محل تحصيل
اصفهان : دانشگاه صنعتي اصفهان
سال دفاع
1404
صفحه شمار
هشت، 71ص. : مصور، جدول، نمودار
توصيفگر ها
ارتباطات V2V , پهپاد , يادگيري تقويتي , طراحي مسير , تخصيص رله
تاريخ ورود اطلاعات
1405/03/17
كتابنامه
كتابنامه
رشته تحصيلي
مهندسي برق
دانشكده
مهندسي برق و كامپيوتر
تاريخ ويرايش اطلاعات
1405/03/18
كد ايرانداك
23227833
چكيده فارسي
افزايش پيوسته تراكم وسايلنقليه و پيچيدگي هندسي تقاطعهاي شهري در كنار سهم بالاي اين نقاط در آمار تصادفات جادهاي، لزوم بهرهگيري از ارتباطات خودرويي سريع، پايدار و هوشمند را دوچندان كرده است؛ با اينحال، پيوندهاي كوتاهبُرد V2V در تقاطعهاي محصور ميان ساختمانها بهسبب انسداد خط ديد و وجود تداخل، دچار افت شديد عملكرد ميشوند و بدين ترتيب پيامهاي ايمني حياتي به موقع به همه كاربران نميرسد. از طرف ديگر، به دليل شرايط متفاوت محيط تقاطع نسبت به محيط بزرگراه، پژوهشهايي كه تا كنون در اين حوزه انجام شده، براي محيط تقاطع قابل تعميم نيست و نياز به مدلسازي و بررسي بهتر و دقيقتر دارد. اين پاياننامه با هدف رفع اين كاستي، چارچوبي نو براي سيستمهاي V2X ارائه ميكند كه در آن پهپادهاي رله با ديد مستقيم و چابكي بالا بر فراز تقاطع پرواز ميكنند و بهصورت خودمختار پيامهاي خودروهاي اولويتدار (اضطراري، نيمهاضطراري و عادي) را دريافت و روي كانالهاي فركانسي مجزا بازپخش ميكنند. براي بهينهسازي توأم مسير پرواز پهپادها و تخصيص بهينه هر رله به خودروهاي هدف و تضمين كيفيت سرويس خودروهاي مختلف، يك مسئله بهينهسازي با تابع هدف نرخ مجموع وزندار مطرح شده و به جاي روشهاي بهينهسازي پرهزينه و با پيچيدگي محاسباتي بالا، از روش يادگيري تقويتي عميق براي حل مسئله استفاده شده است. در اين مدل، عامل هوشمند بر اساس مشاهدات خود از وضعيت خودروها سياست بهينه براي جهت حركت و انتخاب خودرو هدف را فرا ميگيرد. به دليل ماهيت خاص روش يادگيري تقويتي، اين مدل براي آموزش نياز به دادههاي از پيش برچسبگذاري شده ندارد و صرفا از طريق تعامل با محيط و دريافت پاداش و مجازات آموزش ميبيند. يافتههاي اين پژوهش نشان ميدهد كه بهكارگيري رلههاي پهپادي، بهويژه در محيطهاي پرتراكم، ميتواند راهكاري تحولآفرين در ارتباطات خودرويي باشد. شبيهسازيها بيانگر آن است كه با افزايش تراكم خودروها، نقش تقويتي پهپادها در شبكه بهمراتب پررنگتر ميشود. بهگونهاي كه در يك سناريو با 80 خودرو در يك تقاطع شهري، بهكارگيري تنها 4 پهپاد منجر به بهبود 8٫5 درصدي تابع هدف ميشود. افزون براين، نرخ پوششدهي براي خودروهاي پراهميت، با جهشي بيش از 40 درصد، به سطح قابلتوجه 84 درصد ارتقا مييابد. اين نتايج نشان ميدهند كه چارچوب پيشنهادي، كه بر پايه تلفيق رلههاي هوايي و الگوريتم يادگيري تقويتي عميق طراحي شده، در عمل ميتواند بهعنوان يك راهكار مقياسپذير، اقتصادي و منطبق با استانداردهاي روز، نقش كليدي در بهبود ايمني و كارايي ارتباطات در گرههاي بحراني ترافيكي ايفا كند.
چكيده انگليسي
The continuous rise in vehicle density and the geometric complexity of urban intersections—combined with their high share in road accident statistics—highlight the growing need for fast, stable, and intelligent vehicular communications. However, short-range V2V links at intersections surrounded by buildings suffer from severe performance degradation due to line-of-sight blockage and interference, preventing critical safety messages from being delivered in time. Since intersection environments differ significantly from highways, existing studies cannot be directly generalized, underscoring the need for more accurate modeling and analysis. This thesis proposes a novel V2X framework in which agile, line-of-sight relay drones fly over intersections and autonomously receive and retransmit priority vehicle messages (emergency, semi-emergency, and normal) over separate frequency channels. To jointly optimize drone flight paths and relay assignments—while ensuring quality of service for various vehicles—a weighted sum-rate optimization problem is formulated and solved using deep reinforcement learning, avoiding the high computational cost of conventional optimization. The model learns optimal movement and target-selection policies from environment interactions without pre-labeled data. Results show that drone relays, especially in dense environments, can significantly enhance vehicular communications. In a scenario with 80 vehicles at an urban intersection, deploying only four drones yields an 8.5% improvement in the objective function, while high-priority vehicle coverage rises by over 40% to 84%. These findings demonstrate that the proposed aerial relay–deep reinforcement learning framework offers a scalable, cost-effective, and standards-compliant solution for improving safety and efficiency at critical traffic nodes.
استاد راهنما
فروغ السادات طباطباء
استاد داور
نغمه سادات مويديان , محمدعلي خسروي فرد