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
-
Szőke László
Közlekedésmérnöki
mesterképzés (MA/MSc), levelező
konzulens
-
Dr. Aradi Szilárd
egyetemi docens, Közlekedés- és Járműirányítási Tanszék