DeepRCar: Autonomní model auta
DeepRCar: An Autonomous Car Model
Type of document
diplomová prácemaster thesis
Author
Ungurean David
Supervisor
Buk Zdeněk
Opponent
Štepanovský Michal
Field of study
Znalostní inženýrstvíStudy program
InformatikaInstitutions assigning rank
katedra aplikované matematikyRights
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
Show full item recordAbstract
Tato práce se zabývá stavbou modelu autonomního vozu na dálkové ovládání a jeho kontrolou pomocí hlubokých neuronových sítí. Vozidlo je schopno zatáčet samo pouze na základě vizuálního vstupu z přední kamery. Text práce popisuje jeho kompletní vývoj od výběru hardwarových komponent, návrhu kontrolního systému, až po selekci a učení konvoluční neuronové sítě, která ovládá nastavení kol. Model se naučil rozeznat okraje jízdního pruhu, přestože měl během učení přístup pouze ke dvojicím vstupní obrázek a příslušný úhel kol pro danou situaci. Finální systém operuje při 20 snímcích za sekundu na jednodeskovém počítači Raspberry Pi 3. I present DeepRCar, a simplified self-driving radio controlled car platform that is controlled by deep neural networks. This car takes images from a front facing camera as its only input and produces steering commands as output. This thesis describes the entire process of its creation from hardware requirements, through the design of the control system, up to the selection and training of a convolutional neural network that manages its driving decisions. The network was trained in an end-to-end manner and learned to recognize useful road features, such as lane markings, when only camera images and corresponding steering angles were presented during training. The final system is capable of running at 20 frames per second on a Raspberry Pi 3.
Collections
- Diplomové práce - 18105 [195]