Βαθιά ενισχυτική μάθηση για τον κεντρικό πολυπρακτορικό έλεγχο εναέριας κυκλοφορίας

Summary

Η εργασία αυτή στοχεύει στη σχεδίαση πολυπρακτορικών μεθόδων Βαθιάς Ενισχυτικής Μάθησης και τη διερεύνηση της αποτελεσματικότητά τους στη βελτιστοποίηση και την αυτοματοποίηση της εργασίας του Ελέγχου Εναέριας Κυκλοφορίας. Αντιπροσωπεύοντας κάθε πτήση ως πράκτορα, στοχεύουμε στη διατήρηση ενός ελάχιστου διαχωρισμού μεταξύ των πτήσεων παρέχοντας ενέργειες επίλυσης, όπως πλευρικούς ελιγμούς, αλλαγές ταχύτητας και αλλαγές επιπέδου πτήσης. Με αυτόν τον τρόπο, μπορούμε να συμβάλουμε στο εξαιρετικά πολύπλοκο έργο των ανθρώπων-Ελεγκτών Εναέριας Κυκλοφορίας, επιλύοντας πιθανές συγκρούσεις μεταξύ ζευγών πτήσεων. Το πρόβλημα διατυπώνεται ως μια Αποκεντρωμένη Μερικώς Παρατηρήσιμη Μαρκοβιανή Διαδικασία Απόφασης, η οποία επιτρέπει την χρήση του DGN μοντέλου που βασίζεται στο μηχανισμό προσοχής εφαρμοσμένο σε δυναμικούς γράφους, το οποίο επεκτείναμε και βελτιώσαμε κατάλληλα με τη χρήση των χαρακτηριστικών των ακμών του γράφου. Παρουσιάζονται δύο διαφορετικές εκδόσεις, που διερευνούν τόσο στατικές όσο και δυναμικές ακμές. Τα πειράματα που παρουσιάζονται υποδηλώνουν ότι το τελευταίο αποφέρει τα αξιοσημείωτα αποτελέσματα της επίλυσης του 90% των πραγματικών σεναρίων που χρησιμοποιήθηκαν αποκλειστικά στην αποτίμηση της αποτελεσματικότητας του μοντέλου και που σχετίζονται με πτήσεις που εκτελούνται στον ισπανικό εναέριο χώρο.

Διακρίσεις σχετικά με την διπλωματική

3rd Yound Scientists Awards SESAR Innovation Days 2022