Bu tədqiqat, sıx dumanın avtonom nəqliyyat vasitələrinin qavrama məsafəsini azaltdığı halda nəqliyyat vasitəsindən nəqliyyat vasitəsinə rabitənin (Vehicle-to-Vehicle, V2V), Model Predictive Control (MPC) və lider nəqliyyat vasitəsinin gələcək hərəkətlərini saxlayan predictive buffering yanaşmasının arxadan toqquşmanın qarşısının alınmasında nə dərəcədə faydalı ola biləcəyini CARLA 0.9.11 simulyasiyasında müqayisə edir. Dörd ssenari araşdırılır: qavrama və rabitənin olmadığı S1, duman səbəbindən deqradasiyaya uğramış LiDAR-radar qavrayışının istifadə edildiyi S2, V2V dəstəkli MPC-nin istifadə edildiyi S3 və buna predictive buffer əlavə olunan S4. Monte Carlo nəticələrində S1 üçün %92,86 toqquşma və 0,289 ± 0,117 s minimum TTC bildirildiyi halda, S2, S3 və S4 üçün hesabat verilən toqquşma nisbətləri %0-dır; orta minimum TTC dəyərləri müvafiq olaraq 1,943 ± 3,538 s, 1,439 ± 2,287 s və 1,929 ± 2,268 s-dir. Mənbənin ümumi şərhi V2V əsaslı proqnozlaşdırmanın və xüsusilə predictive buffering-in daha erkən və daha yumşaq əyləcləməni təmin edə bilməsi istiqamətindədir. Bununla belə nəticələr real yol sınaqları deyil, CARLA əsaslı uzununa simulyasiya nəticələridir və mənbə daxilindəki bəzi statistik/parametrik uyğunsuzluqlara görə “hər şəraitdə təhlükəsiz” və ya “bütün metriklərdə üstün” kimi şərh edilməməlidir.

Tədqiqatın əsas mühəndislik ideyası duman şəraitində yalnız sensor diapazonunu artırmağa çalışmaqdansa təhlükə məlumatını görmə xəttinin o tayından daşımaqdır. Lider nəqliyyat vasitəsi V2V mesajı ilə öz mövqeyini, sürətini, təcilini və istəyə bağlı olaraq gələcək qısamüddətli təcil planını ego nəqliyyat vasitəsinə ötürür. Ego nəqliyyat vasitəsi bu məlumatı MPC-nin proqnoz üfüqünə yerləşdirərək təhlükəsiz izləmə məsafəsi məhdudiyyətini yerli LiDAR və ya radar maneəni etibarlı şəkildə görməzdən əvvəl aktivləşdirə bilər. Predictive buffer isə qısa rabitə kəsilmələrində son alınmış gələcək-plan ardıcıllığının sonrakı elementlərindən istifadə etməyə davam edərək bu proqnozun dərhal itirilməsinin qarşısını almağı hədəfləyir.

Sıx duman avtonom sürüşdə hansı fiziki problemi yaradır?

Tədqiqatın mərkəzindəki problem yalnız görüntünün “bulanıq” hala gəlməsi deyil. Duman sensorla hədəf arasındakı elektromaqnit və ya optik siqnalın yayılmasını dəyişdirərək aşkarlana bilən məsafəni azaldır. Tədqiqatçılar bunu yalnız CARLA-dakı həndəsi görmə kəsilməsi kimi deyil, atmosferik sönümlənmə üzərindən modelləşdirməyə çalışırlar.

Ümumi atmosferik sönümlənmə Beer-Lambert əlaqəsi ilə ifadə edilir:

\[ I(d)=I_0e^{-\beta d} \]

Burada \(I_0\) başlanğıc siqnal intensivliyi, \(I(d)\) d məsafəsindən sonra qalan intensivlik və \(\beta\) atmosferik extinction əmsalıdır. Sensorun minimum aşkarlama həddi \(I_{\min}\) olduqda effektiv duman qavrama məsafəsi

\[ L_{\mathrm{fog}} = \frac{1}{\beta} \ln \left( \frac{I_0}{I_{\min}} \right) \]

kimi müəyyən edilir. Beləliklə \(\beta\) artdıqca, yəni duman gücləndikcə, istifadə edilə bilən qavrama üfüqü kiçilir.

LiDAR, radar və kamera duman şəraitində eyni şəkildə modelləşdirilmir

LiDAR üçün ikitərəfli atmosferik yayılma səbəbindən qəbul olunan gücün təxminən

\[ P_r(d) \propto \frac{1}{d^2}e^{-2\beta d} \]

ilə azalması qəbul edilir. Həm məsafədən asılı həndəsi itki, həm də gedib-gəlmə atmosferik sönümlənməsi uzaq hədəflərdən gələn siqnalın sensor həddindən aşağı düşməsinə səbəb ola bilər.

Radar üçün mənbə dumanın təsirini birbaşa sərt diapazon kəsilməsi kimi deyil, ölçmə qeyri-müəyyənliyinin artması ilə təmsil edir:

\[ \sigma_r^2(d) = \sigma_0^2(1+\alpha\beta d). \]

\(\sigma_0^2\) nominal ölçmə dispersiyasını, \(\alpha\) isə radarın atmosferik şəraitə həssaslığını təmsil edən sazlama parametrini göstərir. Bu modeldə radar eyni duman şəraitində LiDAR-dan daha geniş qavrama üfüqünü saxlaya bilər, lakin ölçmə qeyri-müəyyənliyi artır.

Kamera üçün istifadə edilən atmosferik təsvir yaranma modeli isə

\[ I(x) = J(x)e^{-\beta d(x)} + A\left(1-e^{-\beta d(x)}\right) \]

şəklindədir. Burada \(J(x)\) real səhnə şüalanmasını, \(A\) atmosferik işığı, \(d(x)\) isə təsvir nöqtəsinin dərinliyini təmsil edir.

Qavrama gecikməsi niyə toqquşma riskini sürətlə artırır?

Tədqiqatda maneənin duman səbəbindən ilk etibarlı aşkarlanma anı \(t_{\mathrm{det}}\), ego nəqliyyat vasitəsi ilə lider nəqliyyat vasitəsi arasındakı məsafənin effektiv sensor üfüqünə bərabər olduğu an kimi müəyyən edilir:

\[ s_{\mathrm{obs}}(t_{\mathrm{det}}) - s_{\mathrm{ego}}(t_{\mathrm{det}}) = L_{\mathrm{fog}}. \]

Toqquşmaya qalan vaxt, yəni Time-to-Collision (TTC),

\[ TTC(t) = \frac{ s_{\mathrm{obs}}(t)-s_{\mathrm{ego}}(t) }{ \max\{ \varepsilon, v_{\mathrm{ego}}(t)-v_{\mathrm{obs}}(t) \} } \]

kimi hesablanır. Qavrama, qərar və aktuator gecikmələrinin cəmi \(t_{\mathrm{sys}}\) olduqda istifadə edilə bilən reaksiya pəncərəsi

\[ \Delta t_{\mathrm{react}} = TTC(t_{\mathrm{det}}) - t_{\mathrm{sys}} \]

olur.

Duman \(L_{\mathrm{fog}}\)-u kiçildəndə maneə daha gec aşkarlanır. Beləliklə \(t_{\mathrm{det}}\) irəliləyir və əyləcləmə başladıqda qalan TTC azalır. Tədqiqatın S1 və S2 ssenarilərindəki əsas fiziki mexanizm budur.

Əyləcləmənin fiziki cəhətdən mümkün olub-olmadığı necə yoxlanılır?

Ego nəqliyyat vasitəsinin sürəti \(v_e\) və icazə verilən maksimum əyləc təcilinin modulu \(a_{\max}\) olduqda ideal minimum əyləc məsafəsi

\[ d_{\mathrm{stop}} = \frac{v_e^2}{2a_{\max}} \]

kimi modelləşdirilir.

Lakin qavrama və ya rabitə gecikməsi zamanı nəqliyyat vasitəsi hərəkət etməyə davam edir. Başlanğıcdakı istifadə edilə bilən məsafə \(d_0\), effektiv gecikmə \(t_{\mathrm{delay}}\) olduqda əyləcləmə başlayan anda qalan məsafə

\[ d_{\mathrm{available}} = d_0-v_et_{\mathrm{delay}} \]

olur. Toqquşmadan dayana bilmək üçün mənbə

\[ d_0-v_et_{\mathrm{delay}} \geq \frac{v_e^2}{2a_{\max}} \]

şərtindən istifadə edir.

Bu ifadə tədqiqatın əsas iddiasını aydın şəkildə göstərir: sensorun və ya V2V mesajının təhlükə məlumatını bir neçə yüz millisaniyə daha erkən təmin etməsi yalnız proqram təminatı səviyyəsində komfort yaxşılaşması deyil, əyləcləmə üçün fiziki olaraq istifadə edilə bilən məsafəni də dəyişdirir.

Dörd ssenari arasındakı real fərq nədir?

V2V məlumatı MPC-yə necə daxil olur?

S3-də lider nəqliyyat vasitəsindən gələn “hazard-ahead” mesajı ego nəqliyyat vasitəsinə maneənin mövqeyini və sürətini, istəyə bağlı olaraq isə qısa gələcək yavaşıma planını verir. Mənbədə əsas təhlükəsiz izləmə məhdudiyyəti

\[ s_{\mathrm{obs},k+i} - s_{k+i} \geq d_0 + T_{\mathrm{head}}v_{k+i}, \qquad i=1,\ldots,N \]

şəklindədir.

\(d_0\) sabit minimum məsafə, \(T_{\mathrm{head}}\) zamana əsaslanan izləmə intervalıdır. V2V məlumatı erkən gəldikdə MPC bu məhdudiyyəti sensorun lider nəqliyyat vasitəsini görməsini gözləmədən aktivləşdirə bilər.

Predictive buffer yalnız son mesajı saxlamaqdan nə ilə fərqlənir?

S4-də lider nəqliyyat vasitəsinin ötürdüyü mesaj yalnız cari təcili daşımaq məcburiyyətində deyil. Liderin öz MPC-sindən əldə edilən gələcək təcil ardıcıllığı da göndərilə bilər:

\[ u^{V2V}(k) = [ u^{MPC}(k|k), u^{MPC}(k+1|k), \ldots, u^{MPC}(k+N_p-1|k) ]^T. \]

Ego nəqliyyat vasitəsi bu ardıcıllığı yerli buffer daxilində saxlayır. Son etibarlı mesajdan sonra \(j\) MPC dövrü keçibsə

\[ \hat u_{\mathrm{lead}}(k) = \begin{cases} u^{V2V}(k+j|k-j), & j<N_p,\\ \hat a_{\mathrm{lead}}(k), & j\geq N_p. \end{cases} \]

Qısa rabitə kəsilməsində buffer əvvəl göndərilmiş gələcəyə aid növbəti proqnozdan istifadə edir. Kəsilmə prediction horizon-dan uzun sürərsə sistem mənbədə müəyyən edilmiş daha konservativ extrapolation/fallback yanaşmasına keçir.

Bu dizayn Zero-Order Hold məntiqindən fərqlidir: məqsəd yalnız son ölçülən təcili sabit saxlamaq deyil, mesaj gəldiyi anda artıq alınmış gələcək planı zaman daxilində irəlilədərək istifadə etməkdir.

MPC nəyi optimallaşdırır?

Mənbədə uzununa nəqliyyat vasitəsi vəziyyəti

\[ x_k= \begin{bmatrix} s_k\\ v_k \end{bmatrix}, \qquad u_k=a_k \]

kimi müəyyən edilir və sabit təcilli diskret model

\[ x_{k+1} = Ax_k+Bu_k \]

\[ A= \begin{bmatrix} 1&T_s\\ 0&1 \end{bmatrix}, \qquad B= \begin{bmatrix} \frac{1}{2}T_s^2\\ T_s \end{bmatrix} \]

ilə istifadə olunur.

MPC məqsəd funksiyası sürət xətasını, idarəetmə səylərini, jerk-i və təhlükəsizlik slack dəyişənlərini birlikdə cəzalandırır:

\[ J= \sum_{i=1}^{N} \left[ q_v(v_{k+i}-v^*)^2 + r_u u_{k+i-1}^2 + r_j(u_{k+i-1}-u_{k+i-2})^2 \right] + w_s \sum_{i=1}^{N} \xi_i^2. \]

Bununla yanaşı sürət, təcil, jerk və izləmə məsafəsi məhdudiyyətləri mövcuddur. Beləliklə MPC yalnız “toqquşma olmasın” hədəfini deyil, sürət izləməsini və əyləcləmə komfortunu da eyni optimallaşdırma daxilində nəzərə alır.

Mənbədə verilən MPC standartları

Denklem (26)-da mənbə aşağıdakı standart parametrləri bildirir:

Lakin eyni tədqiqatın Cədvəl 2-dəki həssaslıq təhlili “selected value” kimi sürət çəkisi 3, distance safety weight 10 və maksimum yavaşıma −6 m/s² verir. Mənbə bu seçilmiş dəyərlərlə Denklem (26)-dakı standart dəyərlərin hansı təcrübələrdə ayrıca istifadə edildiyini kifayət qədər aydın uzlaşdırmadığı üçün burada iki parametrizasiya səssiz şəkildə birləşdirilməmişdir.

Tədqiqatın dəstəklədiyi nəticələr

• Duman səbəbindən qavrama gecikəndə istifadə edilə bilən əyləcləmə və TTC marjası ciddi şəkildə kiçilə bilər.
• Tədqiqatın CARLA simulyasiyalarında qavrama və V2V olmayan S1 yüksək toqquşma nisbəti ilə nəticələnmişdir.
• Deqradasiyaya uğramış LiDAR-radar istifadə olunan S2-də hesabat verilən gec aşkarlamalar təcili və aqressiv əyləcləmə tələb etmişdir.
• V2V dəstəkli MPC mənbə simulyasiyalarında liderin əyləcləməsinə yerli sensordan daha erkən reaksiya verə bilmişdir.
• S3 və S4 üçün hesabat verilən Monte Carlo sınaqlarında toqquşma nisbəti %0-dır.
• Predictive buffer qısa V2V kəsilmələri zamanı əvvəllər alınmış gələcək təcil proqnozlarından istifadə edərək proqnozlaşdırmanın davam etməsini təmin etməyi hədəfləyir.
• Mənbədə 120 ms yüksək gecikmə və 0,8 s rabitə kəsilməsi altında V2V-MPC yanaşmasının təmsilçi simulyasiyalarda toqquşmasız davranışı qoruduğu göstərilmişdir.
• S4 mənbədə S3-lə müqayisədə daha yüksək orta minimum TTC və daha aşağı idarəetmə aqressivliyi ilə əlaqələndirilmişdir.

Tədqiqatın dəstəkləmədiyi və ya sübut etmədiyi nəticələr

• Tədqiqat real yol şəraitində avtonom nəqliyyat vasitələrinin %100 təhlükəsiz olduğunu göstərmir.
• %0 toqquşma nisbəti yalnız araşdırılan simulyasiya şərtləri və hesabat verilən sınaqlar üçün keçərlidir; ümumi yol hərəkəti təhlükəsizliyi zəmanəti deyil.
• Predictive buffering-in bütün rabitə gecikməsi və paket itkisi səviyyələrində təhlükəsizliyi qoruduğu göstərilməmişdir.
• S4-ün hər təhlükəsizlik metrikində S2 və S3-dən daha yaxşı olduğu mənbə rəqəmləri ilə göstərilmir; xüsusilə S2-nin hesabat verilən orta minimum TTC-si S4-dən çox az yüksəkdir.
• Tədqiqat eyni vaxtda zolaq dəyişmə, yanal yayınma manevri və ya birləşdirilmiş yanal-uzununa optimallaşdırmanı sınaqdan keçirmir.
• Yol meyli, qarışıq trafik, motosiklet/piyada qarşılıqlı təsiri, müxtəlif nəqliyyat vasitəsi dinamikaları və çoxzolaqlı trafik birbaşa qiymətləndirilməmişdir.
• DSRC/V2V mesajlarının real radio avadanlığı üzərində dumanlı sahə sınağında ölçüldüyü göstərilməmişdir; rabitə şərtləri simulyasiya/model fərziyyələridir.
• CARLA nəticəsi real nəqliyyat vasitəsi əyləc sistemlərinin və ya istehsal səviyyəli ADAS/CAV sistemlərinin sertifikatlaşdırılması demək deyil.

Tədqiqatın Metodu və Nəticələri

Simulyasiya infrastrukturu

Təcrübələr CARLA 0.9.11 və CARLA API istifadə edilərək həyata keçirilmişdir. Rabitə təbəqəsi IEEE 802.11p əsaslı Dedicated Short-Range Communications (DSRC) məntiqi ilə modelləşdirilmiş; nəqliyyat vasitələri sürət, təcil, istiqamət, GPS mövqeyi və əyləc vəziyyəti kimi məlumatları paylaşmışdır.

Monte Carlo sınaqlarında hansı şərtlər dəyişdirildi?

Dörd ssenarinin statistik qiymətləndirilməsində mənbə aşağıdakı başlanğıc şərtlərinin təsadüfi dəyişdirildiyini bildirir:

• başlanğıc nəqliyyat vasitələri arası məsafə: 15-40 m;
• ego nəqliyyat vasitəsinin başlanğıc sürəti: 70-100 km/h;
• duman görünmə məsafəsi: 15-30 m;
• lider nəqliyyat vasitəsinin təcili dayanma başlanğıcı: təxminən t=20 s.

Mənbə müxtəlif bölmələrdə 30 etibarlı sınaq bildirməkdə və ya CARLA spawn toqquşmaları səbəbindən yalnız etibarlı qaçışların saxlanıldığını qeyd etməkdədir. Lakin xüsusilə S1-də bildirilən %92,86 toqquşma nisbəti ilə “30 valid trials” ifadəsi birbaşa arifmetik olaraq uyğun gəlmədiyindən real effektiv nümunə sayı dəqiq qəbul edilməməlidir.

Dörd ssenarinin hesabat verilən statistikaları

Bu cədvəl mühüm bir nüansı ortaya qoyur. Mənbənin ümumi nəticə sıralaması S4-ü ən təhlükəsiz və ən komfortlu üsul kimi təqdim edir; lakin yalnız orta minimum TTC-yə baxdıqda S2-nin 1,943 s dəyəri S4-ün 1,929 s dəyərindən 0,014 s daha yüksəkdir. Buna görə S4-ün üstünlüyü “ən yüksək minimum TTC-yə malik olması” şəklində ümumiləşdirilməməlidir. Tədqiqatın S4 lehinə arqumenti toqquşma vəziyyəti, əyləcləmə forması, jerk, rabitə kəsilmələrində davranış və proqnoz davamlılığının birlikdə qiymətləndirilməsinə əsaslanır.

S1: Məlumat yoxdursa nə baş verir?

Təmsilçi S1 qaçışında ego nəqliyyat vasitəsi təxminən 84 km/h sürətlə hərəkət edərkən lider nəqliyyat vasitəsi t≈20 s ətrafında dayanır. Ego nəqliyyat vasitəsi lideri qavramadığı üçün sürətini əhəmiyyətli dərəcədə azaltmır və TTC təxminən t≈23 s-də sıfıra enərək arxadan toqquşma ilə nəticələnir.

Monte Carlo bölməsində 0,289 ± 0,117 s orta minimum TTC və %92,86 toqquşma nisbəti bildirilmişdir. Bu dəyərlər tədqiqatın ən aydın təhlükəsizlik uğursuzluğu nümunəsini təşkil edir.

Bununla belə S1 metodologiya tərifi “no perception and no V2V” olmasına baxmayaraq eyni Monte Carlo paraqrafında ego nəqliyyat vasitəsinin “onboard perception” istifadə etdiyi yazılmışdır. Mənbə daxilindəki bu ifadə fərqinə görə S1-in tərifi əsas metodologiya hissəsindəki dörd-ssenari təsnifatına uyğun saxlanılmışdır.

S2: Sensorlar toqquşmanın qarşısını alır, bəs niyə hələ də problem var?

S2-də LiDAR və radar mövcuddur, lakin duman səbəbindən effektiv aşkarlama məsafəsi kiçilmişdir. Təmsilçi qaçışda lider nəqliyyat vasitəsi yalnız qalan məsafə xeyli azaldıqdan sonra aşkarlanır və ego nəqliyyat vasitəsi maksimuma yaxın təcili əyləcləmə ilə dayanır.

Mənbə 30 etibarlı təsadüfi qaçışda %0 toqquşma bildirir. Buna görə S2-ni “tez-tez toqquşan perception-only sistem” kimi təsvir etmək düzgün olmaz. Tədqiqatın öz ətraflı nəticəsinə görə S2-nin problemi toqquşma sayından daha çox gec aşkarlama, aşağı təhlükəsizlik marjası, yüksək əyləc təcili və jerk kimi təqdim olunur.

S2 üçün hesabat verilən minimum TTC 1,943 ± 3,538 s-dir və %95 etibar intervalı [0,152; 3,733] s-dir. Çox böyük standart sapma müxtəlif təsadüfi şərtlər arasında performansın geniş dəyişdiyini göstərir.

S3: V2V təhlükəni sensordan əvvəl bildirirsə nə dəyişir?

S3-də lider nəqliyyat vasitəsinin əyləcləmə məlumatı V2V vasitəsilə ego nəqliyyat vasitəsinə çatdığı üçün MPC yerli sensorun maneəni təsdiqləməsini gözləmədən gələcək təhlükəsizlik məhdudiyyətlərini aktivləşdirə bilər. Mənbənin CARLA səhnəsində bu, daha erkən və daha mərhələli sürət azaltması kimi görünür.

Monte Carlo sınaqlarında %0 toqquşma və 1,439 ± 2,287 s minimum TTC hesabat verilmişdir.

Tədqiqatçılar V2V-MPC-ni əlavə olaraq iki rabitə pozuntusu altında sınaqdan keçirmişdir:

• yüksək gecikmə: 120 ms;
• müvəqqəti rabitə kəsilməsi: 0,8 s.

Şəkil 9 və 10-da normal V2V, yüksək gecikmə və blackout şəraitində lider və ego nəqliyyat vasitələrinin sürətləri ilə TTC müqayisə edilmişdir. Gecikmə artdıqca ego nəqliyyat vasitəsinin reaksiyası daha gec başlayır və TTC minimumu azalır. Xüsusilə blackout vəziyyətində TTC kritik sahəyə daha çox yaxınlaşsa da təmsilçi simulyasiya toqquşmasız tamamlanır.

Şəkil 11 MPC-nin niyə daha aqressiv hala gəldiyini göstərir

Tədqiqatda normal V2V, yüksək gecikmə və rabitə blackout şəraiti üçün MPC xərc komponentləri ayrıca çəkilmişdir. Lider əyləcləməyə başladıqda sürət izləmə xərci ilə məsafə/təhlükəsizlik xərci yüksəlir. Rabitə daha gec və ya fasiləli olduqda nəzarətçi təhlükəni daha gec kompensasiya etməli olduğundan xərc pikləri və idarəetmə səyi böyüyür.

Bu nəticə yalnız “toqquşdu/toqquşmadı” metrikinin sürüş keyfiyyətini izah etmək üçün kifayət etmədiyini göstərir. Eyni toqquşmasız nəticə fərqli əyləcləmə sərtliyi və sərnişin komfortu ilə əldə edilə bilər.

S4: Predictive buffer nə qazandırır?

S4-də liderin gələcək qısamüddətli təcil ardıcıllığı əvvəlcədən ego nəqliyyat vasitəsində saxlanılır. Buna görə bir və ya bir neçə mesaj itdikdə ego nəqliyyat vasitəsi yalnız son alınan ani məlumata bağlı qalmır; planın növbəti proqnozundan istifadə etməyə davam edir.

Təmsilçi sürət qrafikində ego nəqliyyat vasitəsi liderin sərt əyləcləməsini gözləmədən sürətini azaltmağa başlayır. Şəkil 15-də nəqliyyat vasitələri arasındakı məsafə təxminən 50 m səviyyəsindən azalarkən sıfıra yaxınlaşmır və hər iki nəqliyyat vasitəsi dayandıqda təxminən 40 m ətrafında təmsilçi məsafə saxlanılır. Bu rəqəm tək qaçışa aid qrafikdən görünür və Monte Carlo ümumi nəticəsi kimi istifadə edilməməlidir.

S4 Monte Carlo qiymətləndirməsində %0 toqquşma, 1,929 ± 2,268 s orta minimum TTC və [0,782; 3,077] s %95 etibar intervalı hesabat verilmişdir.

Mənbə S4-ün minimum TTC-ni S3-lə müqayisədə artırdığını və əyləcləmə aqressivliyini azaltdığını bildirir. S3-də 1,439 s olan orta minimum TTC-nin S4-də 1,929 s-ə yüksəlməsi bu müqayisə ilə uyğundur. Lakin S2-nin 1,943 s ortalaması S4-dən çox az daha yüksək olduğundan “S4 bütün ssenarilər arasında ən yüksək minimum TTC-yə malikdir” ifadəsi rəqəmsal olaraq istifadə edilməməlidir.

Statistik ifadələrdə niyə ehtiyatlı olmaq lazımdır?

S2-S4-də TTC standart sapmalarının ortalamalarla müqayisədə xeyli böyük olması sınaqlar arasındakı paylanmanın geniş olduğuna işarə edir. Buna görə 1,943 s ilə 1,929 s kimi çox kiçik orta fərqlər üsullar arasında mənalı üstünlüyün sübutu kimi qəbul edilə bilməz.

Bundan əlavə S4 üçün mənbə bəzi bölmələrdə TTC-nin “consistently above safety thresholds” qaldığını bildirir. Lakin eyni bölmədə minimum TTC ortalaması 1,929 s və %95 etibar intervalının aşağı həddi 0,782 s kimi hesabat verilir. Şəkil 10-da istifadə edilən kritik hədd təxminən 2 s olduğuna görə bu ifadə ən təhlükəsiz şəkildə təmsilçi S4 trayektoriyasına tətbiq edilməlidir; bütün Monte Carlo nümunələri üçün qəti ümumiləşdirmə aparılmamalıdır.

MPC parametr həssaslığı

Mənbə həmçinin proqnoz üfüqünü, sürət çəkisini, təhlükəsizlik məsafəsi çəkisini və maksimum əyləc təcilini dəyişdirərək həssaslıq təhlili bildirir:

Bu cədvəllə mənbədə Denklem (26)-da təqdim olunan standart \(q_v=1\), \(w_s=2\) və \(a_{max}=4~m/s^2\) parametrlərinin eyni yekun parametrizasiyanı təmsil edib-etmədiyi aydın deyil. Buna görə Verianla məzmununda seçilmiş parametrlər standartların yerinə səssizcə keçirilməmişdir.

Tədqiqatın güclü tərəfi nədir?

Tədqiqatın mühüm cəhəti duman təsirini yalnız vizual CARLA effekti kimi buraxmaması; qavrama üfüqünü, LiDAR sönümlənməsini, radar qeyri-müəyyənliyini, reaksiya pəncərəsini, fiziki dayanma məsafəsini, V2V vaxtlamasını və MPC təhlükəsizlik məhdudiyyətlərini eyni müqayisəli çərçivədə birləşdirməsidir.

Bundan əlavə dörd ssenarinin eyni ümumi simulyasiya məntiqində müqayisə edilməsi “daha yaxşı sensor” ilə “görmə xəttinin o tayından erkən məlumat” arasındakı fərqi aydınlaşdırır. Predictive buffer yanaşması da V2V-nin yalnız ani mesajlaşma deyil, qısamüddətli hərəkət niyyətinin paylaşılması formasında istifadə edilə biləcəyini göstərir.

Əsas məhdudiyyətlər

• Tədqiqat yalnız uzununa nəqliyyat vasitəsi izləmə və arxadan toqquşma probleminə fokuslanır.
• Real yol və real istehsal nəqliyyat vasitəsi sınağı yoxdur.
• CARLA-dakı duman-sensor uyğunlaşdırmasının real sensor müxtəlifliyini nə dərəcədə təmsil etdiyi ayrıca sahə məlumatları ilə təsdiqlənməmişdir.
• Çoxzolaqlı, yanal yayınmalı və sıx qarışıq trafik ssenariləri araşdırılmamışdır.
• Road grade və heterogen nəqliyyat vasitəsi davranışları daxil edilməmişdir.
• Rabitə şərtləri orta səviyyəli gecikmə və paket itkisi ilə məhdudlaşdırılmışdır; daha ağır şəbəkə deqradasiyaları fərqli nəticələr verə bilər.
• Mənbədə hesabat verilən bəzi Monte Carlo faizləri, etibar intervalları və ssenari təriflərində daxili uyğunluq problemləri mövcuddur.
• S2-S4 TTC paylanmalarının geniş olması yalnız orta dəyərlərlə üsul sıralaması aparılmasını zəiflədir.

Mənbə və Metod Qeydi

Özgün tədqiqat: Fog & V2V: A CARLA-Based Comparative Study of No Perception, Degraded Sensors, and Cooperative Alerts with MPC-Based Collision Avoidance

Müəlliflər: Hamza El Yanboiy; Mohammed Chaman; Mohammed Bouabdellaoui; Adam Khechchab; Youssef El Merabet.

Məsul müəllif: Hamza El Yanboiy.

Bərabər töhfə/birgə birinci müəlliflik: Mənbədə belə bir bəyan yoxdur.

Afilyasiyalar: Laboratory of Electronic Systems, Information Processing, Mechanics and Energetics, Ibn Tofail University, Kenitra, Morocco; Doctoral Studies Center (CEDoc), Sciences, Engineering and Sustainable Development (SIDD), Private University of Fes, Fes, Morocco.

Akademik redaktor: Xiaohua Ge.

Mənbə növü: Resenziyalı tədqiqat məqaləsi; mühəndislik simulyasiyası və idarəetmə/modelləşdirmə tədqiqatı.

Jurnal: Vehicles.

Cild / nömrə / məqalə nömrəsi: 8 / 5 / 97.

DOI: 10.3390/vehicles8050097

Nəşriyyat: MDPI, Basel, Switzerland.

Nəşr prosesi: Alınma 5 fevral 2026; reviziya 6 aprel 2026; qəbul 9 aprel 2026; nəşr 1 may 2026.

Rəsmi keçid: DOI qeydiyyatlı MDPI Vehicles məqalə səhifəsi.

Açıq giriş/lisenziya: Creative Commons Attribution (CC BY) lisenziyası altında açıq giriş.

Maliyyələşdirmə: Müəlliflər tədqiqatın xarici maliyyələşdirmə almadığını bildirirlər.

Məlumatların əlçatanlığı: Müəlliflər tədqiqatın orijinal töhfələrinin məqalə daxilində olduğunu, əlavə sualların məsul müəllifə yönəldilə biləcəyini bildirirlər. Mənbədə ayrıca açıq xam simulyasiya məlumat deposu verilməmişdir.

Maraqlar toqquşması: Müəlliflər maraqlar toqquşması olmadığını bəyan edirlər.

Müəllif töhfələri: Conceptualization: Mohammed Bouabdellaoui və Youssef El Merabet; Methodology: Hamza El Yanboiy və Mohammed Chaman; Software: Hamza El Yanboiy və Adam Khechchab; Validation: Hamza El Yanboiy və Mohammed Bouabdellaoui; Formal analysis: Hamza El Yanboiy; Resources: Mohammed Bouabdellaoui; Data curation: Mohammed Chaman; Writing—original draft: Hamza El Yanboiy; Writing—review & editing: Hamza El Yanboiy, Mohammed Chaman, Mohammed Bouabdellaoui və Youssef El Merabet; Supervision: Mohammed Chaman və Youssef El Merabet.

Təcrübə mühiti: CARLA 0.9.11, Python 3.10, Intel Core i7-12700H, 32 GB RAM, NVIDIA GeForce RTX 3060 və Windows 11 Pro istifadə edilmişdir. Rabitə DSRC/IEEE 802.11p məntiqi ilə modelləşdirilmişdir.

Elmi şərh sərhədi: Nəticələr simulyasiyaya əsaslanır. Real nəqliyyat vasitəsi, real duman kamerası və ya ictimai yol sınağı ilə təsdiqlənmiş sahə təhlükəsizliyi sertifikatı deyil. Xüsusilə %0 toqquşma nəticəsi yalnız mənbədə araşdırılan təsadüfiləşdirilmiş CARLA ssenarilərinə aiddir.

Mənbə daxilində S1 uyğunsuzluğu: S1 əsas metodologiyada “no perception and no V2V” kimi müəyyən edildiyi halda statistik bölmədə ego nəqliyyat vasitəsinin onboard perception istifadə etdiyinə dair fərqli ifadə mövcuddur. Həmçinin 30 etibarlı sınaq iddiası ilə %92,86 toqquşma nisbəti sadə nisbət hesabında tam uyğun gəlmir.

Mənbə daxilində xülasə/S2 fərqi: Xülasənin “perception-only strategies” ifadəsi ilə əlaqələndirdiyi təxminən 0,29 s TTC və tez-tez toqquşma nəticəsi ətraflı mətndə qavramanın olmadığı S1-ə uyğun gəlir. Deqradasiyaya uğramış LiDAR-radar istifadə olunan S2 üçün tədqiqatın ətraflı Monte Carlo nəticəsi %0 toqquşmadır.

Mənbə daxilində S4 TTC sərhədi: S4-ün bəzi izahlarında TTC-nin təhlükəsizlik hədlərindən davamlı yüksək qaldığı bildirilir; buna qarşılıq S4 Monte Carlo minimum TTC ortalaması 1,929 ± 2,268 s və %95 etibar intervalı [0,782; 3,077] s kimi hesabat verilir. Buna görə “hər təsadüfi şəraitdə həddin üstündə” nəticəsi çıxarılmamışdır.

Mənbə daxilində ssenari sıralaması: S4 mənbə tərəfindən ən yüksək ümumi təhlükəsizlik/komfort səviyyəsi ilə əlaqələndirilsə də orta minimum TTC S2-də 1,943 s, S4-də 1,929 s-dir. Buna görə ümumi üstünlük yalnız TTC ortalamasına əsaslandırılmamışdır.

Mənbə daxilində MPC sazlaması: Denklem (26)-dakı standart çəki və əyləc parametrləri ilə Cədvəl 2-dəki həssaslıq analizinin seçilmiş dəyərləri eyni deyil və mənbə bu iki parametr dəstini aydın şəkildə uzlaşdırmır.

Terminologiya qeydi: Mənbənin bir bölməsində MPC səhvən “Motion Planning Control” kimi açılmışdır; məqalənin başlığı, metod bölməsi və tənliklər kontekstində istifadə olunan termin Model Predictive Control-dür. Mənbə xətası real elmi model dəyişdirilmədən burada açıq şəkildə qeyd edilmişdir.

Mənbəyə sadiqlik: Bu Verianla məzmunundakı elmi model, formullar, ssenari şərtləri, rəqəmsal nəticələr, CARLA parametrləri, məhdudiyyətlər və mənbə daxilindəki uyğunsuzluqların hamısı yüklənmiş 32 səhifəlik tədqiqatdan götürülmüşdür. Xarici mənbələr yalnız biblioqrafik nəşr kimliyi, DOI, tarix və lisenziya doğrulaması üçün istifadə edilmişdir.

Türkiyə konteksti: Tədqiqat Mərakeşdəki tədqiqat qurumları tərəfindən aparılmış CARLA əsaslı simulyasiyadır və Türkiyə yol infrastrukturu üzərində sınaqdan keçirilməmişdir. Türkiyəyə tətbiq oluna bilməsinin qiymətləndirilməsi üçün yerli yol həndəsələri, nəqliyyat vasitəsi parkı, trafik davranışı, rabitə infrastrukturu, V2X spektr/standart tətbiqləri, duman sıxlığı paylanmaları və normativ şərtlərlə ayrıca doğrulama tələb olunur; mənbə nəticələri birbaşa Türkiyə təhlükəsizlik performansı kimi ötürülə bilməz.