Felügyelt tanítás alapú járműirányítás vizsgálata
Az autonóm vezetésben egy jelentős probléma a környezet érzékelése és útvonal megtervezése mellett, a megfelelő beavatkozó jelek, úgymint kormányszög, gáz-, illetve fékpedál állas meghatározása. Egy újszerű megközelítés a felügyelt tanítás alapú irányítás, melynek hatalmas előnye, hogy személyre szabható, tehát a neurális háló azt a vezetési stílust fogja reprezentálni, ami a tanító adatok felvételekor jellemezte a járművezetőt. Ez különösen előnyös lehet, ha a hálót nem önvezetésre akarjuk használni, hanem a vezető szokatlan manőverét próbáljuk detektálni és csak ekkor beavatkozva elkerülni egy esetleges balesetet.
A dolgozatban részletesen bemutatásra kerül a tanító adatok generálására szolgáló eljárás, mely a CarMaker szimulációs programmal történik. Fontos lépés elemezni az adatokat egyesével és azokat összevetve is és megvizsgálni, elegendőek-e ahhoz, hogy a neurális háló által megvalósítani kívánt irányítás megfelelően megtanulható-e. Ezen elemzés alapján kerültek meghatározásra a háló bemenetéül szolgáló jelek. Ezután a háló legmegfelelőbb struktúráját kerestem meg és azt különböző paraméterekkel tanítottam, keresve a legjobb eredményt adó beállításokat. A tanítások sikerességét számos különböző metrikával vizsgáltam, ezeket is szemléltetem.
A fejlesztés eredményeként elkészült háló a tanító adatokkal történő validáció után kipróbálásra került a szimulációs környezetben. Leírom, hogyan lehet egy Pythonban előállt, Pytorch könyvtárat használó neurális hálót exportálni, majd importálni MATLAB-ba, ahonnan egy Simulink blokk segítségével használni lehet a CarMaker-ben lévő jármű irányítására. Az így elért útvonal követést alkalmazva a szimulációs környezetben az autó pontosan követi a kijelölt útvonalat, a kezelőszerveket hirtelen nagy változtatások nélkül használja. Kanyarok előtt a tanító szimulációhoz hasonló ütemben fékez és azokból hasonlóan gyorsít ki. Ez demonstrálja, hogy nem pusztán egy általános pálya követést valósítottam meg, hanem a stílust is tartalmazzák a háló paraméterei. Miután a 25 km-es útvonalon végig ment, a laterális hibát összevetettem a CarMaker beépített driver-ével. Azt is megvizsgáltam, hogyan alkalmazható a háló egy ember hibájának kijavítására. Például nagyobb gázzal közelítettem meg kanyarokat, mint a tanító adatokban volt, ekkor lelassított arra a sebességre, amivel az olyan kanyarokat bevenni tanulta. Ekkor a rossz irányba fordítottam a kormányt, de nagy erővel a helyes irányba próbálta visszafordítani azt. Mikor elengedtem, gyorsan beállította az autót a pálya közepére és bevette a kanyart. Ezt a viselkedést kívántam elérni, ez a módszer így meg tudja előzni a veszélyes szituációba való kerülést azt figyelembe véve, hogy milyenek a sofőr szokásai.
szerző
-
Bagoly Zoltán
Járműmérnöki
mesterképzés (MA/MSc), nappali
konzulens
-
Fazekas Máté
PhD hallgató, Közlekedés- és Járműirányítási Tanszék