Self Driving Car (Neural Network)

Концепция проекта:

В SAE один модуль посвящен искусственному интеллекту. Мы рассмотрели классический искусственный интеллект и самообучающиеся/нейронные сети.

Классическая попытка: поведение управления
В поведении управления у меня есть несколько типов:

• Искать
  • Направление прямо к цели
• Прибытие
  • Также направляется прямо к цели, но замедляется, если находится рядом с целью
• Бегите
  • Обратный поиск, движение прямо от цели
• Преследовать
  • Следует за целью, использует скорость цели для определения ее будущего положения
• Уклонение
  • Убегает от цели, использует скорость цели, чтобы убежать от ее будущего положения
• Избегайте
  • Может использоваться вместе со всеми другими функциями
  • Сохраняет расстояние до объектов на указанном слое

В этом проекте я использовал функцию прибытия вместе с вручную установленными контрольно-пропускными пунктами на каждом участке пути. Также можно активировать функцию «Избегать».

Нейронная сеть прямого распространения:

• Моделирование начинается с первого поколения с 25 агентами, которые рандомизированы.
• Каждый агент имеет 5 датчиков (расположение датчиков см. на скриншоте).
• Это входные данные для нейронной сети.
• Результатами являются ускорение и рулевое управление.
• Фитнес
  • Рассчитывается с учетом контрольных точек и расстояния a aджентльмен покрыт.

Если хотя бы один агент преуспел в одной лаборатории, трек переворачивается и та же генерация начинается заново. Если все агенты терпят неудачу, трек переворачивается и создается следующее поколение. Иначе, если агент снова преуспеет в лаборатории. Моделирование прошло успешно.

Пограничные данные:

• 25 агентов/поколение
• 6 лучших, копируются
• 12 новых, созданных на основе смешанных данных из предыдущих 6
• Остальное рандомизировано

_________________________________

Классический КИ Checkpoints:

Сенсорная нейронная сеть:

График значений физической подготовки

Каждый столбец представляет поколение. Наведите указатель мыши на точку, чтобы узнать значение:

верхний – лучший, средний – средний, нижний – худший

Проверочные точки для нейронной сети: