Mejora de las zonas de asesoramiento de viajes para vehículos autónomos mediante la toma de decisiones basada en...

Área de la Ciencia:

• Ingeniería
• Ciencias de la Computación
• Inteligencia Artificial

Sus antecedentes:

• Los vehículos autónomos (AV) ofrecen un potencial significativo para reducir los incidentes de tráfico.
• La toma de decisiones (DM) eficaz en los AV es crucial para la seguridad y la eficiencia.
• Los métodos existentes de toma de decisiones multi-atributo (MADM) enfrentan desafíos con la incertidumbre.

Objetivo del estudio:

• Introducir nuevos operadores de agregación Yager piramidales difusos de valor de intervalo (IVPF) para la toma de decisiones de AV.
• Desarrollar una nueva función de puntuación para clasificar números piramidales difusos de valor de intervalo (IVPFN).
• Abordar los desafíos MADM en los sistemas AV utilizando técnicas avanzadas de lógica difusa.

Principales métodos:

• Desarrollo de dos nuevos AO Yager: operadores IVPFYWA e IVPFYWG.
• Formulación de una nueva función de puntuación para clasificar IVPFN.
• Exploración de propiedades esenciales (idempotencia, monotonicidad, acotación) de los operadores propuestos.
• Diseño de un algoritmo para resolver problemas MADM dentro del marco IVPF.

Principales resultados:

• Los AO Yager IVPF propuestos manejan eficazmente los problemas de toma de decisiones ambiguos.
• La nueva función de puntuación permite la clasificación robusta de IVPFN.
• El algoritmo desarrollado resuelve con éxito los problemas MADM en el contexto de AV.
• La aplicación a la selección de zonas óptimas de asesoramiento de viajes para AV demostró la eficacia del método.

Conclusiones:

• Los nuevos AO Yager IVPF proporcionan un enfoque superior para MADM para AV.
• Los métodos propuestos mejoran la robustez y la precisión de la toma de decisiones en sistemas autónomos.
• El análisis comparativo valida la superioridad de las estrategias desarrolladas sobre las técnicas existentes.