diff options
Diffstat (limited to 'Chapters/chapter2.tex')
| -rw-r--r-- | Chapters/chapter2.tex | 32 |
1 files changed, 15 insertions, 17 deletions
diff --git a/Chapters/chapter2.tex b/Chapters/chapter2.tex index f048612..d7a6f6d 100644 --- a/Chapters/chapter2.tex +++ b/Chapters/chapter2.tex @@ -1,7 +1,7 @@ \chapter{Trenowanie sieci i zbieranie danych} -W celu autonomicznej jazdy wytrenowałem konwolucyjną sieć neuronową (CNN) +W celu autonomicznej jazdy wytrenowałem konwolucyjną sieć neuronową (CNN -- Convolutional Neural Network) przetwarzającą obraz z kamery bezpośrednio w porządaną prędkość liniową -oraz obrotową. Takie podejście pozwala szybko zbierać dane uczące, wystarczy +oraz obrotową. Takie podejście pozwala szybko zbierać dane uczące. Wystarczy tylko nagrać obraz z kamery oraz prędkość nadaną przez kierowcę. \begin{figure}[h] \centering @@ -14,21 +14,19 @@ tylko nagrać obraz z kamery oraz prędkość nadaną przez kierowcę. \fbox{ \scalebox{0.5}{\includegraphics*[viewport=0 0000 600 1300]{img/model.png}} } - \label{model} \caption{Architektura sieci} + \label{model} \end{figure} -Wersja sterująca w symulatorze powstała, żeby odrzucić modele, które nie radzą +Wersja sterująca w symulatorze powstała aby odrzucić modele, które nie radzą sobie w tak prostych warunkach. Dodatkowo zbieranie danych oraz testowanie -modelu jest łatwiejsze, ponieważ nie wymaga przygotowywania sprzętu, oraz -opuszczenie toru przez model jest nieszkodliwe w porównaniu do opuszczenia -drogi przez fizycznego łazika. +modelu jest łatwiejsze. Po pierwsze, nie wymaga przygotowywania sprzętu. Poza tym, +opuszczenie toru przez model nie stwarza zagrożenia uszkodzenia łazika lub jego otoczenia. -Architektura sieci pochodzi z rozwiązania chauffeur w konkursie udacity self driving car\footnote -{ Repozytorium dostępne pod\href{https://github.com/udacity/self-driving-car/tree/master/steering-models/community-models} +Architektura sieci pochodzi z rozwiązania \textit{chauffeur} w konkursie Udacity -- Self Driving Car\footnote +{ Repozytorium dostępne pod \href{https://github.com/udacity/self-driving-car/tree/master/steering-models/community-models} {https://github.com/udacity/self-driving-car/tree/master/steering-models/community-models}}, -ale została zaadaptowana do interfejsu symulatora oraz łazika (oprócz obrotu -potrafi też zadać prędkość). Konwersja z rosbaga (format nagrań ROSa) do +ale została zaadaptowana do interfejsu symulatora oraz łazika. Sieć wykorzystana w moim projekcie, w odróżnieniu od rozwiązania konkursowego, zadaje też prędkość. Konwersja z rosbaga (format nagrań ROS-a) do naszego formatu oraz sam symulator zostały wykonane przez innych członków projektu. @@ -37,17 +35,17 @@ Nagrania do nauki na symulatorze zostały wykonane przeze mnie i dwóch innych uczestników projektu. Łączna długość nagrań wynosi około 50 minut, z czego 5 minut zostało przeznaczone na zbiór walidacyjny, a reszta była zbiorem uczącym. -Obrazy pochodzą z 3 kamer, jedna skierowana na wprost, a pozostałe były obrócone +Obrazy pochodzą z trzech kamer: jednej skierowanej na wprost, dwóch obróconych o 20 stopni względem środkowej. Podczas uczenia wykorzystywany był obraz ze wszystkich -trzech kamer. Dla kamery środkowej porządanym wynikiem były nagrane dane z sterowania, -natomiast dla kamery lewej wynik był nieznacznie zaburzony w prawo, i analogicznie -dla trzeciej kamery. -Dodatkowo obraz z kamery środkowej był dodany w postaci symetrycznego odbicia +kamer. Dla kamery środkowej pożądanym wynikiem były nagrane dane ze sterowania. +Dla kamery lewej wynik był nieznacznie zaburzony w prawo, natomiast analogicznie +dla kamery prawej -- w lewo. +Dodatkowo, obraz z kamery środkowej był dodany w postaci symetrycznego odbicia ze zmienionym kierunkiem skrętu. \section{Trening z nagrań łazika} Do treningu zostało wykorzystane około 150GB nagrań z łazika, zawierających -obraz z kamery oraz informacje o sterowaniu, jest to kilkanaście objazdów +obraz z kamery oraz informacje o sterowaniu. Jest to kilkanaście objazdów po podziemnym garażu. Na większości ujęć widać kratkę zazwyczaj zgodną z kierunkiem jazdy, ale zakręcjącą pod kątem prostym. Około 6GB danych zostało wykorzystanych jako zbiór walidacyjny. |