Použití technik strojového učení pro autonomní vozidla

Abstract

V této práci prozkoumáme vyvíjející se doménu autonomního řízení a ponoříme se do metodik strojového učení. Primárně se zaměřujeme na základní principy hlubokých neuronových sítí (Deep Neural Networks, DNN) a specializovanou architekturu konvolučních sítí (Convolutional Neural Networks, CNN). Naším cílem bylo trénovat neuronovou síť pro autonomní navigaci v prostředí Car Simulator od Udacity. Fáze návrhu zahrnovala pečlivý sběr dat, jejich zpracování a optimalizaci obrazu, což výrazně ovlivnilo výkon modelu. Kromě toho byl implementován PID regulátor integrovaný s low-pass filtrem pro odfiltrování šumu, čímž se zlepšila stabilita a přesnost řízení rychlosti vozidla, čímž byla zajištěna hladší navigace a lepší zvládnutí podmínek jízdy v reálném čase.

In this thesis, the evolving domain of autonomous driving was explored, focusing on Machine Learning methodologies. The foundational principles of Deep Neural Networks (DNN) and the specialized architecture of Convolutional Neural Networks (CNN) were primarily addressed. A neural network was trained for autonomous navigation within Udacity's Car Simulator environment. Meticulous data collection, processing, and image optimization were involved in the design phase, significantly influencing the model's performance. Additionally, a PID controller integrated with a Low Pass Filter was implemented to filter out noise, enhancing the stability and precision of the vehicle's speed control, ensuring smoother navigation and better handling of real-time driving scenarios.