Trélerrel szerelt kamion parkoltatása deep reinforcement learninggel
Míg a személyautók piacán már kereskedelmi forgalomban is kaphatóak és a mindennapok részeivé váltak a parkolást önállóan végrehajtó járművek, addig a tehergépjárműveknél még nem tekinthetők alapfelszereltségnek a parkolást megoldó szoftverek. A gyakorlatban azonban számos előnnyel kecsegtetne ezeknek a rendszereknek az elterjedése.
A technológia fejlődése során jött létre a mély megerősítéses tanulás módszertana, amelyhez a felügyelt tanuláshoz hasonlóan rengeteg, de a felügyelt tanulással ellentétben címkézetlen adatra van szükség. A módszer elterjedését elősegíti olyan technológiák fejlődése, mint az 5G, a federated learning vagy az edge computing.
A dolgozatomban tehergépjárművek önparkolást végző rendszerének megerősítéses tanulással történő megvalósításának lehetőségét vizsgálom.
A dolgozat első felében bemutatásra kerül a megerősítéses tanulás technológiája, majd a technológia bemutatása során megismert architekturális egységek kerülnek implementálásra. Ennek részeként először egy trélerrel szerelt kamion modellje kerül felállításra, majd a környezet modellje és a jutalmazás szabályrendszere kerül leírásra.
A dolgozat kitér arra is, hogyan lehet hatékonyan és minél gyorsabban tanítani egy mély megerősítéses tanulással működő rendszert.
Az eredmények értékelésénél iteratívan kerül tökéletesítésre a szabályrendszer, valamint megvizsgálásra kerülnek a továbbfejlesztés lehetőségei.
Összességében elmondható, hogy a technológia alkalmas lehet az önparkolás megvalósítására.
szerző
-
Wolf Máté
Mérnök informatikus szak, mesterképzés
mesterképzés (MA/MSc)
konzulens
-
Dr. Szegletes Luca
egyetemi adjunktus, Automatizálási és Alkalmazott Informatikai Tanszék