\chapter{Sieć pod symulator}
W celu autonomicznej jazdy wytrenowałem konwolucyjną sieć neuronową (CNN)
przetwarzającą obraz z kamery bezpośrednio w porządaną prędkość liniową
oraz obrotową. Takie podejście pozwala szybko zbierać dane uczące, wystarczy
tylko nagrać obraz z kamery oraz prędkość nadaną przez kierowcę.
\begin{figure}[h]
  \centering
  \fbox{
  \scalebox{0.5}{\includegraphics*[viewport=0 1300 600 2200]{img/model.png}}
  }
\end{figure}
\begin{figure}
  \centering
  \fbox{
  \scalebox{0.5}{\includegraphics*[viewport=0 0000 600 1300]{img/model.png}}
  }
  \label{model}
  \caption{Architektura sieci}
\end{figure}
Wersja sterująca w symulatorze powstała, żeby 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.

\section{Dlaczego taka (a nie mniejsza)}
W sieci pięciokrotnie pojawia się sekwencja warstwa konwolucyjna -> dropout 
całych warstw ->max pooling.
Celem poolingu jest zmniejszenie liczby parametrów oraz zapobieganie 
przetrenowaniu. Max pooling dzieli obraz na bloki ustalonego rozmiaru i 
dla każdego z nich wyznacza maksimum, w ten sposób rozmiar 'feature maps' 
wielokrotnie się zmniejsza.

Dlaczego tylko 1 dense

\section{Dane}
Jak długie przejazdy, i ile ich: 2 po 20 minut

Co gdyby zmniejszyć rozdzielczość ewaluowanych obrazkow do 16x8: jest ok

Jak wzbogacane: obrazy z 3 kamer + flip na środkowej