ВИБІР АРХІТЕКТУРИ НЕЙРОННОЇ МЕРЕЖІ ДЛЯ АВТОВОДІЯ ТРАНСПОРТНОГО ЗАСОБУ
DOI:
https://doi.org/10.20998/2222-0631.2022.01.07Ключові слова:
автопілот, задача автокермування, автоматичне керування, нейронна мережа, згорткова нейронна мережа, розпізнавання зображеньАнотація
В даній роботі розглядається задача вибору архітектури нейронної мережі для створення автопілоту. Був створений автопілот для віртуального транспортного засобу, що може рухатися визначеним маршрутом та реагувати на різні сигнали світлофора. Вибрана архітектура, а саме згорткова нейронна мережа, має високу ефективність в задачі розпізнавання зображень. Автопілот складається з двох згорткових нейронних мереж, одна розпізнає маршрут руху, інша розпізнає сигнали світлофора. Через велику кількість шумів, фотографії для розпізнавання світлофорів були оброблені для підсилення червоного каналу та занулення зеленого і синього, що допомогло в розпізнаванні червоного та жовтого кольорів. Як середовище для навчання нейронних мереж та перевірки працездатності автопілоту, в цілому, була створена двовимірна гра з видом зверху. Даний автопілот, на відміну від інших, використовує лише зображення для орієнтації в просторі. Тестування моделі автопілоту показало майже 100 % точність на розпізнаванні маршруту та сигналів світлофора. Позитивний результат тестування показав, що автопілот може виконувати керування в простому середовищі і це дає можливість ускладнити робоче середовище. Використовуючи тільки зображення, такий автопілот є дешевшим за існуючі. Актуальність даної роботи ґрунтується на дослідженнях збільшення кількості транспортних засобів та шкідливих викидів в атмосферу у майбутньому. У статті розглянуті літературні джерела, обґрунтування вибору архітектури нейронної мережі, опис програмної реалізації, показані результати проведення тестування, у висновках вказаний можливий напрямок розвитку даної теми.
Посилання
Pavlov V., Shepetukha Y., Melnikov S., Volkov A. Intelligent Control : Approaches, Results and Prospects of Development. Kibernetika i vyčislitelʹnaâ tehnika. 2017, pp. 30–48.
Zhao J., Liang B., Chen Q. The key technology toward the self-driving car. International Journal of Intelligent Unmanned Systems. 2018, pp. 2–20.
ERTRAC, EPoSS and SMART GRIDS, European Roadmap Electrification of Road Transport, 2nd Edition. 2012, 46 p.
Meyer G., Deix S. Research and Innovation for Automated Driving in Germany and Europe. Road Vehicle Automation. 2014, pp. 71–81.
Meyer G., Dokic J., Müller B. Elements of a European Roadmap on Smart Systems for Automated Driving. Road Vehicle Automation 2. 2015, pp. 153–159.
Yamashita R., Nishio M., Do R. K. G., Togashi K. Convolutional neural networks: an overview and application in radiology. Insights into Imaging. 2018, pp. 611–629.
Ketkar N. Deep Learning with Python : A Hands-on Introduction, 1st ed. Apress, 2017. 243 p.
Manaswi N. K. Understanding and Working with Keras. Deep Learning with Applications Using Python. CA, Apress, 2018, pp. 31–43.
Prangishvili A., Namicheishvili O., Ramazashvili M. Convolutional Neural Networks. Works of Georgian Technical University. 2020, pp. 33–56.
Joshi P. Python Machine Learning Cookbook O'Reilly Media, 1st edition. 2016. 366 p.
