summaryrefslogtreecommitdiff
diff options
context:
space:
mode:
authorPaweł Dybiec <pawel.to.malpa@gmail.com>2018-02-13 00:55:05 +0100
committerPaweł Dybiec <pawel.to.malpa@gmail.com>2018-02-13 00:55:05 +0100
commit838d1628b41ceac4037a37cc469fa9cd198a56cd (patch)
treef14d955b863e70ccd37709f8c9835657d261a22e
parent871caff2a8c870e00813be780cd800304820a29c (diff)
stan badań
-rw-r--r--Chapters/chapter1.tex14
-rwxr-xr-xbibitems.tex1
-rw-r--r--iithesis.pdfbin480647 -> 482694 bytes
3 files changed, 15 insertions, 0 deletions
diff --git a/Chapters/chapter1.tex b/Chapters/chapter1.tex
index 63ddfbf..722723b 100644
--- a/Chapters/chapter1.tex
+++ b/Chapters/chapter1.tex
@@ -131,6 +131,20 @@ Inny moduł potrafi tworzyć mapy na podstawie obrazu z kamery oraz mapy głębo
Wynik tej rekonstrukcji można obejrzeć za pomocą innych usług służących do
wizualizacji różnych typów danych takich jak obraz, wartości zmieniających się
w czasie, chmury punktów lub mapy terenu.
+\section{Stan badań}
+Już w latach 80. pojawiły się podejścia do problemu jazdy autonomicznej.
+ALVINN to 3-warstwowa gęsta sieć neuronowa\cite{alvinn}, której wejściem były: obraz z kamery oraz
+informacje z laserowaego czujnika odległości, a wyjściem taki kierunek skrętu, aby pojazd
+utrzymał się na drodze. Wytrenowanie takiej sieci na tylko prawdziwych danych
+było trudne, ze względu na potrzebną różnorodność danych. Z tego powodu dane treningowe
+do tego pojazdu były generowane na symulatorze. W rezultacie pojazd potrafi przejachać 400 metrów przy dobrym oświetleniu z prędkością metra na sekundę.
+
+Rozwiązanie NVIDIi DAVE-2 z roku 2016 jest dużo bardziej efektywne od starego ALVINN-a\cite{nvidia}. Liczba parametrów
+oraz wielkość sieci jest wielokrotnie większa od ALVINN-a. DAVE-2 jest konwolucyjną siecią neuronową
+uruchamianą na sprzęcie NVIDIA Drive PX, którego głównym przeznaczeniem jest jazda autonomiczna. Zebrane dane uczące to 72 godziny jazdy po drogach w różnych warunkach.
+Proces uczenia łączy odtwarzanie nagrań z symulowaniem. W zależności od pozycji
+pojazdu w symulacji obraz z nagrania jest przekształcany w taki sposób, aby przypomiał widok z pozycji
+w której znalazłby się model po wykonaniu instrukcji od DAVE-2.
% \section{Autonomia Aleph 1}
%Co zostało zrobione na przedmiocie:
diff --git a/bibitems.tex b/bibitems.tex
index b264fd8..249dfe6 100755
--- a/bibitems.tex
+++ b/bibitems.tex
@@ -12,5 +12,6 @@
Xin Zhang,
Jake Zhao,
Karol Zieba \href{https://arxiv.org/abs/1604.07316}{End to End Learning for Self-Driving Cars}, 2016
+\bibitem{alvinn} Dean A. Pomerleau \href{http://repository.cmu.edu/compsci/1875/}{ALVINN, an autonomous land vehicle in a neural network}, 1989
\bibitem{cnn} Alex Krizhevsky, Ilya Sutskever,Geoffrey E. Hinton \href{https://www.cs.toronto.edu/~kriz/imagenet_classification_with_deep_convolutional.pdf}{ImageNet Classification with Deep Convolutional Neural Networks}, 2012
\bibitem{ig} Mukund Sundararajan, Ankur Taly, Qiqi Yan \href{https://arxiv.org/abs/1703.01365}{Axiomatic Attribution for Deep Networks}, 2017
diff --git a/iithesis.pdf b/iithesis.pdf
index 412a2cc..284852f 100644
--- a/iithesis.pdf
+++ b/iithesis.pdf
Binary files differ