Publicação
Autonomous driving by neural networks
| Resumo: | O desenvolvimento de sistemas autónomos móveis é cada vez mais um objeto de estudo e investigação nos dias de hoje, pois o seu propósito passa por ajudar o ser humano a realizar as mais diversas atividades do seu dia-a-dia com maior certeza, reduzindo assim o erro humano. O automóvel é algo muito utilizado na sociedade atual e, a autonomização da condução teria, para além de um grande impacto social, um impacto numa indústria internacional que se encontra em constante desenvolvimento. Neste sentido, esta dissertação apresenta uma possível solução de um sistema capaz de realizar a tarefa de condução, num percurso específico (pista) num ambiente simples e controlado, com diferentes condicionantes tais como: passadeiras, cruzamentos e obstáculos. Deste sistema faz parte o carro/robô, uma rede neuronal treinada por um método de Aprendizagem Supervisionada, cuja entrada é uma imagem (retirada da câmara) sendo as saídas a velocidade e direção que o veículo deve tomar, e um software de controlo em visão por computador que é utilizado para treinar e corrigir a rede neuronal. A pista, objetos simulados e algumas regras para o controlo, têm por base a prova de Condução Autónoma do Festival Nacional de Robótica. Para efeitos de testes foi desenvolvido um ambiente em simulação, através do CoppeliaSim, o qual contém: a pista com todos os elementos necessários (passadeira, semáforo, obstáculos, etc) e o carro/robô/agente com uma câmara, dois motores de tração e um sistema de direção. Esta dissertação demonstrou a possibilidade de controlar um carro autónomo usando uma rede neuronal treinada a partir de um dataset gerado por um algoritmo tradicional de visão por computadores. Esta abordagem mostrou-se robusta e prática, exigindo ajustes mínimos para a transição para a pista de tamanho real e resultou numa experiência bem-sucedida. |
|---|---|
| Autores principais: | Ribeiro, Inês Alcântara |
| Assunto: | Condução autónoma Rede neuronal Aprendizagem supervisionada Visão por computador Ambiente de simulação Robótica Autonomous driving Neural network Supervised learning Computer vision Robotics |
| Ano: | 2023 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Universidade do Minho |
| Idioma: | inglês |
| Origem: | RepositóriUM - Universidade do Minho |
| Resumo: | O desenvolvimento de sistemas autónomos móveis é cada vez mais um objeto de estudo e investigação nos dias de hoje, pois o seu propósito passa por ajudar o ser humano a realizar as mais diversas atividades do seu dia-a-dia com maior certeza, reduzindo assim o erro humano. O automóvel é algo muito utilizado na sociedade atual e, a autonomização da condução teria, para além de um grande impacto social, um impacto numa indústria internacional que se encontra em constante desenvolvimento. Neste sentido, esta dissertação apresenta uma possível solução de um sistema capaz de realizar a tarefa de condução, num percurso específico (pista) num ambiente simples e controlado, com diferentes condicionantes tais como: passadeiras, cruzamentos e obstáculos. Deste sistema faz parte o carro/robô, uma rede neuronal treinada por um método de Aprendizagem Supervisionada, cuja entrada é uma imagem (retirada da câmara) sendo as saídas a velocidade e direção que o veículo deve tomar, e um software de controlo em visão por computador que é utilizado para treinar e corrigir a rede neuronal. A pista, objetos simulados e algumas regras para o controlo, têm por base a prova de Condução Autónoma do Festival Nacional de Robótica. Para efeitos de testes foi desenvolvido um ambiente em simulação, através do CoppeliaSim, o qual contém: a pista com todos os elementos necessários (passadeira, semáforo, obstáculos, etc) e o carro/robô/agente com uma câmara, dois motores de tração e um sistema de direção. Esta dissertação demonstrou a possibilidade de controlar um carro autónomo usando uma rede neuronal treinada a partir de um dataset gerado por um algoritmo tradicional de visão por computadores. Esta abordagem mostrou-se robusta e prática, exigindo ajustes mínimos para a transição para a pista de tamanho real e resultou numa experiência bem-sucedida. |
|---|