Aplikace metod strojového vidění a strojového učení pro vývoj modelu a simulaci autonomně řízeného vozidla

Abstract

V této práci prozkoumáme vyvíjející se doménu autonomního řízení a ponoříme se do metodik strojového učení. Primárně se zaměřujeme na základní principy Deep Neural Networks (DNN) a specializovanou architekturu konvolučních neuronových sítí (CNN). Naším cílem bylo vytrénovat neuronovou síť pro autonomní navigaci v prostředí Car Simulator společnosti Udacity. Fáze návrhu zahrnovala pečlivý sběr dat, jejich zpracování a optimalizaci obrazu, což výrazně ovlivnilo výkon modelu. Díky pozoruhodné ztrátě ověření dosažené díky přísné optimalizaci náš model předvedl značnou robustnost. Tento model byl poté integrován do simulace zajišťující obousměrnou komunikaci v reálném čase a šikovné řízení vozidla. Náš výzkum zdůrazňuje významný dopad, který může mít strojové učení na vývoj autonomních vozidel.

In this thesis, we explore the evolving domain of autonomous driving, delving into Machine learning methodologies. We primarily focus on the foundational principles of Deep Neural Networks (DNN) and the specialized architecture of Convolutional Neural Networks (CNN). Our aim was to train a neural network for autonomous navigation within Udacity’s Car Simulator environment. The design phase involved meticulous data collection, processing, and image optimization, significantly influencing the model’s performance. With a noteworthy validation loss achieved through rigorous optimization, our model showcased substantial robustness. This model was then integrated into a simulation, ensuring real-time bidirectional communication and adept vehicular control. Our research highlights the significant impact that machine learning can have on the development of autonomous vehicles.