Model autonomního řízení pro vyhýbání se překážkám na trati

Abstract

V rámci této práce byl proveden literární průzkum různých metodik autonomního řízení a architektur modelů strojového učení se zaměřením na vyhýbání se objektům. Práce dále zkoumá možnosti platformy autonomního závodního vozu AWS DeepRacer. Tato platforma je využita ke zkoumání proveditelnosti trénování end-to-end modelů autonomního řízení zaměřených na vyhýbání se objektům pomocí posilovaného učení. Byly porovnávány dvě architektury samořídicích modelů, a to třívrstvá konvoluční neuronová síť a pětivrstvá konvoluční neuronová sít. Dále byl porovnáván vliv volby senzorů na úlohu autonomního vyhýbání se objektům. Experimenty v simulovaném prostředí ukázaly, že nejlépe si vedla architektura třívrstvé konvoluční neuronové sítě, která byla vybavena stereokamerou a LiDAR senzorem. Model byl následně nasazen do vozidla DeepRacer a demonstrován v reálném světě. Práce úspěšně prokázala proveditelnost trénování end-to-end autonomních modelů s využitím AWS DeepRacer platformy a simulovaného prostředí.

Within this thesis, a comprehensive literature survey of various autonomous driving methodologies and machine learning model architectures has been conducted, with a particular focus on object avoidance. The thesis goes on to explore the capabilities of the AWS DeepRacer autonomous racecar platform. This platform is utilized to investigate the feasibility of training end-to-end self-driving models focused on object avoidance using reinforcement learning. Two self-driving architectures were compared, namely a three-layer convolutional neural network and a five-layer convolutional neural network architecture. Furthermore, the impact of sensor choice on the autonomous object avoidance task was compared. Experiments in the simulated environment showed, that the three-layer convolutional neural network architecture, equipped with a stereo camera and LiDAR sensors performed the best. The model was subsequently deployed to the DeepRacer vehicle and demonstrated in the real world. The thesis successfully demonstrated the feasibility of training end-to-end autonomous models using the AWS DeepRacer platform and simulated environment.