Autópálya haladás megvalósítása megerősítéses tanulás alkalmazásával

A mesterséges intelligencia és gépi tanulás napjainkban egyre jelentősebb szerepet tölt be, a világ

szinte minden területén megjelenik, hogy a legkülönbözőbb problémákra, feladatokra megoldást találjanak.

Az autóipar is nagy erőkkel próbálja felhasználni a tanuló algoritmusokat a legnagyobb kihívást jelentő

absztrakt problémák megragadására és megoldására. A gépi látás, az objektum felismerés, különböző

irányítási feladatok megfelelő adat és kód segítségével, részben vagy egészben megoldhatók. Munkánk

során egy olyan tanuló algoritmust hoztunk létre, mely képes megtanulni szimulált autópályán való

közlekedést, és ebben a környezetben úgy navigálni, hogy azon baleset nélkül végig tudjon haladni az általa

irányított járművel. Az algoritmus egy Multi Layer Perceptron struktúrával megépített neurális háló

segítségével és megerősítéses tanulást használó algoritmussal alkottuk meg. A kialakított szimulációs

környezet egy nyílt forráskódú forgalomszimulátorral való integrált Python kóddal reprodukálja a

folyamatosan változó autópályás forgalmat. Több vezetési stílussal rendelkező vezetőt és autót

implementáltunk, hogy minél nagyobb véletlenszerűséget biztosítsunk a tanulás folyamán. A cikkben

először a projekt implementálása során felmerülő nehézségek és a tanulási folyamat során megfigyelt

tanulást lassító vagy megakadályozó hibák kerülnek megfogalmazásra, majd a különböző forgalmi

helyzetekben elért eredményeket ismertetjük.

szerző

II. helyezett