Navigace pomocí hlubokých konvolučních sítí

Loading...
Thumbnail Image
Date
ORCID
Mark
C
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Tato práce se věnuje problematice navigace a autonomního řízení za použití konvolučních neuronových sítí. Jsou zde představeny hlavní přístupy využívající zpracování senzorických vstupů uváděné v odborné literatuře a popsána teorie neuronových sítí, imitačního a zpětnovazebního učení. Dále jsou zde popsány nástroje a metody vhodné pro zpracování systému řízení. Jsou vytvořeny dva typy modelů pro řízení vozidel v simulačním prostředí. Modely využívají učících algoritmů DAGGER a DDPG. Vytvořené modely jsou otestovány v prostředí simulátoru TORCS.
This thesis studies navigation and autonomous driving using convolutional neural networks. It presents main approaches to this problem used in literature. It describes theory of neural networks and imitation and reinforcement learning. It also describes tools and methods suitable for a driving system. There are two simulation driving models created using learning algorithms DAGGER and DDPG. The models are then tested in car racing simulator TORCS. 
Description
Citation
SKÁCEL, D. Navigace pomocí hlubokých konvolučních sítí [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2018.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Inteligentní systémy
Comittee
doc. Ing. František Zbořil, CSc. (předseda) doc. Ing. Vladimír Janoušek, Ph.D. (místopředseda) Ing. Michal Bidlo, Ph.D. (člen) Ing. Martin Hrubý, Ph.D. (člen) doc. Ing. Jan Janoušek, Ph.D. (člen) Ing. Igor Szőke, Ph.D. (člen)
Date of acceptance
2018-06-19
Defence
Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Na základě reakcí na dotazy komise dospěla k závěru, že se student dobře neorientuje v dané problematice a že technická zpráva obsahuje závažné nedostatky (např. vztahy bez vysvětlených symbolů, nedoplněné sekce s pracovním komentářem).  Komise shledala nedostatky práce natolik závažné, že se práci rozhodla hodnotit jako nevyhovující stupněm 4F. Otázky u obhajoby: V kapitole 8.1 uvádzate, že pri zväčšení trénovacej množiny z 800 na 1000 sa znížil počet potrebných epizód trénovania. Ako by tento trend pokračoval? Skúšali ste aj väčšie dávky? Prečo ste sa pri imitačnom učení obmedzili len na otáčanie volantom? Narazili ste na nejaké problémy? Ako ste dáta (z tratí 1-6) rozdelili na trénovacie a testovacie? Pri testovaní vplyvu rýchlosti simulácie uvádzate ako základ pre porovnanie variantu bez zrýchlenia (modrá krivka v obr. 8.5). Prečo sa dosiahnuté odmeny výrazne líšia od odmien, ktoré boli (bez zrýchlenia) dosiahnuté v predošlom experimente (obr. 8.2-8.4)? Aké časy dosahujú vozidlá v TORCS Championship v porovnaní s vašimi výsledkami?
Result of defence
práce nebyla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení
DOI
Collections
Citace PRO