|
|
Aplikace posilovaného učení v řízení autonomního vozidla
Vosol, David ; Zbořil, František (oponent) ; Janoušek, Vladimír (vedoucí práce)
Tato práce se zabývá problematikou posilovaného učení aplikovaného na úlohu autonomního řízení vozidla. Nejprve je probrána nezbytná teorie posilovaného učení, která je zakončena představením nejmodernějších aktor-kritik metod. Z nich je vybrána metoda Proximal Policy Optimization , která je následně aplikována na tuto úlohu. Pro tento účel je také zvolen závodní simulátor TORCS. Naším cílem je naučit v simulovaném prostředí agenta autonomně řídit, s ohledem na jeho budoucí aplikaci v reálném prostředí v podobě zmenšeného RC modelu vozidla. Za tímto účelem jsou simulovány podmínky vzdáleného učení a ovládání vozidla v cloudu a to v podobě simulace ztráty paketů s daty od senzorů a aktuátorů nebo simulace zašuměných dat. Také jsou provedeny experimenty s cílem zjistit nejmenší počet senzorů, se kterým je agent schopen se úlohu naučit. Dále je experimentováno s využitím výstupu kamery vozidla. Jsou představeny různé návrhy architektur systému, mimo jiné i se zaměřením na co nejnižší hardwarové požadavky. Na závěr jsou prozkoumány vlastnosti naučeného agenta z pohledu generalizace v neznámém prostředí.
|
|
|
Optimalizace nastavení závodního vozu simulátoru TORCS
Srnec, Pavel ; Jaroš, Jiří (oponent) ; Pospíchal, Petr (vedoucí práce)
Tato práce pojednává o přírodních optimalizačních technikách, které jsou využity pro řešení problému nastavení závodního vozu. Nejdříve jsou v rámci optimalizačních technik představeny evoluční algoritmy. Největší důraz je kladen na optimalizaci hejnem částic. Nastavení závodního vozu je popsáno v samostatné kapitole spolu s představením simulátoru TORCS. Práce obsahuje veškeré návrhové a implementační části zvolených technik. Hlavním cílem práce je nalezení optimálního nastavení pro různé specifikace okruhů.
|
|
|
An Autonomous Driver of a TORCS Racing Car
Běhal, Lukáš ; Kaštil, Jan (oponent) ; Jaroš, Jiří (vedoucí práce)
This work describes the TORCS simulator and optimization algorithms used in the field of autonomous driving competitions. The main purpose of this work is to design a new controller solution based on genetic algorithms. The controller's behavior can be divided into two main parts which are exploited during the distinct stages of the competition. The warm-up stage serves for the track model sampling and the race line optimization. The race stage logic then benefits from the data obtained in the warm-up stage. The track optimization is done by a Genetic algorithm while the track is divided into several segments optimized separately. A genetic algorithm is applied once again to the track trajectory to smooth out gaps caused by the segment composition. In this work was shown that the track sampling and race line optimization by a genetic algorithm can be done during the warm-up stage. This makes the controller suitable for an autonomous driver competitions.
|
|
|
Aplikace posilovaného učení v řízení autonomního vozidla
Vosol, David ; Zbořil, František (oponent) ; Janoušek, Vladimír (vedoucí práce)
Tato práce se zabývá problematikou posilovaného učení aplikovaného na úlohu autonomního řízení vozidla. Nejprve je probrána nezbytná teorie posilovaného učení, která je zakončena představením nejmodernějších aktor-kritik metod. Z nich je vybrána metoda Proximal Policy Optimization , která je následně aplikována na tuto úlohu. Pro tento účel je také zvolen závodní simulátor TORCS. Naším cílem je naučit v simulovaném prostředí agenta autonomně řídit, s ohledem na jeho budoucí aplikaci v reálném prostředí v podobě zmenšeného RC modelu vozidla. Za tímto účelem jsou simulovány podmínky vzdáleného učení a ovládání vozidla v cloudu a to v podobě simulace ztráty paketů s daty od senzorů a aktuátorů nebo simulace zašuměných dat. Také jsou provedeny experimenty s cílem zjistit nejmenší počet senzorů, se kterým je agent schopen se úlohu naučit. Dále je experimentováno s využitím výstupu kamery vozidla. Jsou představeny různé návrhy architektur systému, mimo jiné i se zaměřením na co nejnižší hardwarové požadavky. Na závěr jsou prozkoumány vlastnosti naučeného agenta z pohledu generalizace v neznámém prostředí.
|
|
|
An Autonomous Driver of a TORCS Racing Car
Běhal, Lukáš ; Kaštil, Jan (oponent) ; Jaroš, Jiří (vedoucí práce)
This work describes the TORCS simulator and optimization algorithms used in the field of autonomous driving competitions. The main purpose of this work is to design a new controller solution based on genetic algorithms. The controller's behavior can be divided into two main parts which are exploited during the distinct stages of the competition. The warm-up stage serves for the track model sampling and the race line optimization. The race stage logic then benefits from the data obtained in the warm-up stage. The track optimization is done by a Genetic algorithm while the track is divided into several segments optimized separately. A genetic algorithm is applied once again to the track trajectory to smooth out gaps caused by the segment composition. In this work was shown that the track sampling and race line optimization by a genetic algorithm can be done during the warm-up stage. This makes the controller suitable for an autonomous driver competitions.
|
|
|
Optimalizace nastavení závodního vozu simulátoru TORCS
Srnec, Pavel ; Jaroš, Jiří (oponent) ; Pospíchal, Petr (vedoucí práce)
Tato práce pojednává o přírodních optimalizačních technikách, které jsou využity pro řešení problému nastavení závodního vozu. Nejdříve jsou v rámci optimalizačních technik představeny evoluční algoritmy. Největší důraz je kladen na optimalizaci hejnem částic. Nastavení závodního vozu je popsáno v samostatné kapitole spolu s představením simulátoru TORCS. Práce obsahuje veškeré návrhové a implementační části zvolených technik. Hlavním cílem práce je nalezení optimálního nastavení pro různé specifikace okruhů.
|
host ::
RSS.