blob: b53b09b652b4a892e95047e7eabc25fb71475967 (
plain) (
blame)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
|
\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
|
