Témakiírások

A ritka, de veszélyes forgalmi szituációk („edge case”) manuális modellezése nehéz és időigényes feladat a forgalomszimulációk során. A nagy nyelvi modellek (LLM) viszont képesek lehetnek változatos, extrém forgatókönyveket (hirtelen sávváltás, incidens, stb.) kreálni.  A feladat tehát az LLM használata arra, hogy kritikus szituációkat generáljon SUMO környezetbe, majd ezek automatikus futtatása és a járművek reakcióinak, ill. a forgalomdinamika változásának elemzése.

A cél ötvözni a járműdinamikai (pl. CARLA, IPG CarMaker) és a forgalomszimuláció (pl. SUMO) ko-szimulációjának előnyeit és hátrányait. Feltételezve, hogy az egyes szimulátorok megfelelően kalibráltak, értékelje, hogy a ko-szimuláció pontossága mennyivel csökken a teljes méretű járműdinamikai szimulációhoz képest különböző példákon keresztül.

Az Edge AI és a TinyML erőforrás-hiányos beágyazott rendszereken való implementációja kritikus lépés a fenntartható számítástechnika felé. Ez a projekt gépi tanulási modellek alacsony fogyasztású hardvereken történő futtatására fókuszál a felhőfüggőség, a késleltetés és a teljes energiafogyasztás csökkentése érdekében. A hallgató feladata neurális hálózatok kiválasztása, hardverközeli optimalizálása (pl. kvantálással vagy metszéssel), és közvetlenül mikrokontroller platformon való megvalósítása. A kutatás alapvető követelménye a modell pontossága, a futási idő és az energiahatékonyság közötti elkerülhetetlen kompromisszumok kritikus értékelése egy életképes és fenntartható helyi AI megoldás eléréséhez.

Különböző szintű és pontosságú modellek léteznek a szakirodalomban a közúti járműforgalom leírására. A munak során egy új megközelítéseben az irányításelméleti rendszeridentifikációs megoldásokat felhasználva kell forgalmi modelleket létrehozni (identifikálni) SUMO forgalomszimulációs „mérések” alapján. Az identifikációhoz standard megoldásokat (pl. MATLAB System Identification Toolbox vagy Python SIPPY) és/vagy AI alapú megközelítéseket kell alkalmazni.

Természetes nyelvi interfész (pl. Python-alapú keretrendszer Gemini vagy OpenAI motorral) építése a feladat SUMO alapú forgalmi forgatókönyvek generálásához. A hallgató feladata egy olyan keretrendszer fejlesztése, amely angol vagy magyar szöveges leírás alapján (pl. „Készíts egy 2 sávos 1 km-es autópályaszakaszt, stb.”) legenerálja a szükséges fájlokat. Kutatási kérdés, hogy mennyire képes az LLM értelmezni a forgalomtechnikai szakkifejezéseket és azokat szintaktikailag helyes SUMO xml fájlokká konvertálni. A kimenet gyakorlatilag egy „Prompt-to-Simulation” szoftvereszköz.

A PLC (Programozható Logikai Kontrollerek) olyan beágyazott eszközök, amelyet automatizálás, gyártás technikában elterjedtek. Ezen eszközök híresek a megbízhatóságukról biztonságkritikus alkalmazási környezetekben és könnyed progamozhatnságkról összevetve más beágyazott rendszerekkel. A hallgató feladata intelligens jelzőlámpa vagy VJT vezérlés kialakítása PLC rendszeren.