Sažetak
Današnje autoceste dizajnirane su za pružanje većeg maksimalnog prometnog kapaciteta, ali se javlja sve veći problem premalog kapaciteta istih. Međutim, gradske autoceste se najčešće ne mogu širiti, stoga je potrebno tražiti druga rješenja kako bolje iskoristiti njihov raspoloživ kapacitet. Jedan od sustava iz domene inteligentnih transportnih sustava, koji se može iskoristiti u tu svrhu, je sustav za upravljanje promjenjivim ograničenjem brzine (eng. Variable Speed Limit Control - VSLC). Autonomna vozila (eng. Autonomous vehicle - AV) i umrežena autonomna vozila (eng. Connected Autonomous Vehicles – CAV) uvelike se testiraju i brzo razvijaju u posljednjih nekoliko godina. Da bi se ispitali potencijalni učinci mješoviti tokovi prometa moraju se simulirati u različitim prometnim scenarijima. U ovom diplomskom radu napravljen je QL-DVSL (eng. Q-Learning – Dual Variable Speed Limit – QL-DVSL) sustav koji postavlja ograničenja brzine na svaku prometnu traku zasebno u simulacijskom okruženju u cestovnom mikroskopskom simulacijskom programu SUMO (eng. Simulation of Urban MObility) i programskom okruženju Python. Dobiveni rezultati dokazuju da povećanje udjela autonomnih vozila u prometnom toku djeluje pozitivno, odnosno vožnja se odvija sinkroniziranije, promet se odvija jednolikom brzinom, vrijeme putovanja se smanjuje, postignuta je veća brzina u prometnom toku i smanjena je gustoća vozila čime se smanjuju repovi čekanja.
Ključne riječi
upravljanje promjenjivim ograničenjem brzine, ojačano učenje, autonomna vozila, povezana autonomna vozila, inteligentni transportni sustavi