هدایت خودرو خودران با استفاده از الگوریتم های یادگیری عمیق

امروزه وسایل نقلیه خودران توجهات بسیاری را به خود جلب کرده اند. در این مطالعه از معماری های گوناگون شبکه هایعصبی کانولوشنی برای هدایت خودرو در محیط شبیه سازی استفاده می کنیم. در جلوی خودرو شبیه ساز یک عدددوربین رنگی قرار دارد و رویکرد ما استفاده از آن برای تشخیص جهت حرکت خودرو و جلوگیری از برخورد با موانعاطراف جاده و یا خروج از پیچ ها می باشد. به منظور کاهش میزان داده های آموزشی از انتقال یادگیری استفاده شده است.مدل ها را در مجموعه داده های جمع آوری شده از محیط شبیه سازی که شامل عکس های مسیر و همچنین برچسبمتناظر با هرکدام ("راست" ، "مستقیم"، "چپ") مجدداً آموزش می دهیم . معماری Xception ، MobileNet ،VGG ، Nvidia ، DensNet و ResNet در این مقاله، تست و نتایج آنها با یکدیگر مقایسه شده است. بهترینمدل، که از معماری VGG16 استفاده می کند ، دقت ۷۳ درصدی در مجموعه داده های آزمون را به دست آورد است.در طی یک آزمون کیفی نیز، خودرو به میزان ۸۰ درصد از خروج از جاده اجتناب کرده است.

کلیدواژه ها:

خودرو خودران ، یادگیری عمیق ، شبکه کانولوشنی