Jízda vozítka AWS DeepRacer na neznámých tratích
Driving AWS DeepRacer Cars on Unknown Tracks
Typ dokumentu
bakalářská prácebachelor thesis
Autor
Vincent Jakl
Vedoucí práce
Čepek Miroslav
Oponent práce
Buk Zdeněk
Studijní obor
Znalostní inženýrstvíStudijní program
Informatika 2009Instituce přidělující hodnost
katedra aplikované matematikyPráva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
AWS Deepracer je oblíbená platforma pro vývoj autonomních závodních vozů s využitím posilovacího učení. Cílem této práce je vyvinout model pro AWS Deepracer, který dokáže navigovat na tratích, které dosud neviděl. Metoda, která byla použita k dosažení takového modelu, zahrnovala použití kombinace technik včetně augmentace dat a ladění hyperparametrů. Model byl natrénován na sadě tratí, které nebyly zahrnuty do sady vyhodnocovacích dat, a jeho výkon byl vyhodnocen na samostatné sadě tratí. Výsledkem této práce jsou dva modely AWS Deepracer, jeden pomalejší, ale pečlivější, a jeden rychlejší, ale méně přesný. Oba tyto modely jsou však schopny fungovat poměrně přesně na široké škále tratí, včetně těch na kterých se netrénoval. Výstupy této práce umožňují budoucím vývojářům AWS Deepracer, kteří by mohli chtít vytvořit obecný model, začít s některými poznatky o tomto procesu nebo použít již natrénované modely z této práce jako základ pro své vlastní modely. AWS Deepracer is a popular platform for developing autonomous racing cars using reinforcement learning. In this thesis, the aim is to develop a model for AWS Deepracer that can navigate tracks it has not seen before. The method, that was used to achieve such a model involved using a combination of techniques including data augmentation, and hyperparameter tuning. The model was trained on a set of tracks that were not included in the evaluation dataset and evaluated its performance on a separate set of tracks. The outcome of this thesis are two AWS Deepracer models, one slower but more careful one, and one faster but less accurate one. Both of these models, however, are able to run fairly accurately on a wide variety of tracks, including ones, unseen in training. The outcomes of this thesis allow future AWS Deepracer developers that might want to build a general model, to start with some insights into the process or use the already trained models from this thesis as a base for their own models.
Kolekce
- Bakalářské práce - 18105 [292]