• AI
• Engineering
• Hyperloop
• Machine Learning
• Reinforcement

La presente tesi si svolge nel contesto di un più ampio progetto di ottimizzazione del trasporto su Hyperloop attraverso l'applicazione di algoritmi di Reinforcement Learning all'interno dell'ambiente di simulazione FlexSim. In particolare, l'obiettivo primario è massimizzare l'occupazione delle capsule per ridurre i costi operativi e migliorare la gestione dei treni. All’interno del team di lavoro mi sono occupato della gestione e sviluppo del progetto. Ho guidato la creazione e lo sviluppo dell’ambiente di simulazione, e garantito la comunicazione e integrazione tra i software coinvolti.
Infine, ho elaborato e testato l'ottimizzazione di funzioni di reward in RL attraverso numerosi esperimenti.
I risultati ottenuti evidenziano come il Reinforcement Learning possa supportare il fine di ottimizzare le operazioni Hyperloop, e consenta una maggiore efficienza logistica.

This thesis takes place in the context of a larger project of optimizing transportation on the Hyperloop through the application of Reinforcement Learning algorithms within the FlexSim simulation environment. The main objective of the study is to maximize the capsule occupancy to reduce operating costs and improve train management. Within the working team I was responsible for project management and development. I led the creation and development of the simulation environment, and ensured communication and integration between the software involved. Finally, I have worked out and tested the optimization of reward functions in RL through numerous experiments. The results obtained highlight how the use of Reinforcement Learning is fundamental in order to optimize Hyperloop operations, and allows for greater logistical efficiency.