Aplikace metod strojového vidění a strojového učení pro vývoj modelu a simulaci autonomně řízeného vozidla
Applying Computer Vision, and Machine Learning Techniques for Modelling and Simulation of Autonomous Car
Typ dokumentu
diplomová prácemaster thesis
Autor
Omar Alif Abdelhakim Allam
Vedoucí práce
Oswald Cyril
Oponent práce
Vitoušek Martin
Studijní obor
Automation and Industrial InformaticsStudijní program
Automation and Instrumentation EngineeringInstituce přidělující hodnost
ústav přístrojové a řídící technikyPráva
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
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.
Kolekce
- Diplomové práce - 12110 [154]