Применение машинного обучения для визуализации и планирования движения автономных транспортных средств

Медзи Рутендо; М А Аль Аккад

doi:10.22213/2410-9304-2021-3-95-104

Авторы

М. Рутендо ИжГТУ имени М. Т. Калашникова
М. А. Аль Аккад ИжГТУ имени М. Т. Калашникова

DOI:

https://doi.org/10.22213/2410-9304-2021-3-95-104

Ключевые слова:

автономные транспортные средства, восприятие, управление, локализация, навигация, планирование движения

Аннотация

Данная статья посвящена описанию системы для управления транспортными средствами в игровой среде, при этом целью работы является моделирование и экспериментальное исследование работы беспилотных транспортных средств. Долгосрочной целью данного исследования является исключение человеческого фактора. Разработаны подсистемы восприятия, локализации, планирования и управления. В дополнение к обычной веб-камере в работе были использованы датчики LiDAR и RADAR. После получения информации от модуля восприятия система локализует позицию транспортного средства, далее для составления оптимального пути используется модуль планирования, который определяет, куда будет перемещаться транспортное средство, используя данные модуля локализации. После определения оптимального пути система осуществляет управление транспортным средством, таким образом, чтобы оно двигалось автономно, без помощи человека. В качестве регулятора использовался пропорционально-интегрально-производный ПИД-регулятор. При разработке системы использовались: язык программирования Python, компьютерное зрение и машинное обучение. Для обеспечения работы системы необходим компьютер с графическим процессором и мощной графической картой, которая может запускать игру с автомобилем, дорогами с полосами движения и картой дороги. При соответствующей доработке, разработанная система может стать хорошим инструментом при проведении экспериментов по достижению надежной автономной навигации транспортного средства, также может быть использована в качестве базы для работы над автономными транспортными средствами с реальными аппаратными устройствами.

Биографии авторов

М. Рутендо, ИжГТУ имени М. Т. Калашникова

прикладной разработчик

М. А. Аль Аккад, ИжГТУ имени М. Т. Калашникова

кандидат технических наук, доцент кафедры «Программное обеспечение»

Библиографические ссылки

Feng, L., Everett, H. R., Borenstein, J. (1994). "Where am I?": sensors and methods for autonomous mobile robot positioning. University of Michigan.

Katrakazas, C., Quddus, M., Chen, W.-H., & Deka, L. (2015). Real-time motion planning methods for autonomous on-road driving: State-of-the-art and future research directions. Transportation Research Part C: Emerging Technologies, 60, 416-442. doi.org/10.1016/j.trc.2015.09.011.

Pendleton, S., Andersen, H., Du, X., Shen, X., Meghjani, M., Eng, Y., Rus, D., & Ang, M. (2017). Perception, Planning, Control, and Coordination for Autonomous Vehicles. Machines, 5(1), 6. Available at: https://doi.org/10.3390/machines5010006.

Badue, C., et al. (2019). Self-Driving Cars: A Survey. arXiv:1901.04407v2.

Minton, S. (1993). The Morgan KAUFMANN Series in Machine Learning. Machine Learning Methods for Planning, p. ii. doi:10.1016/b978-1-4832-0774-2.50001-9.

Ganguly, S. (2021). Machine Learning. Quantum Machine Learning: An Applied Approach. Apress. pp. 41-97.

Brownlee, J. (2020). 10 Clustering Algorithms with Python. Machine Learning Mastery. Available at: https://machinelearningmastery.com/clustering-algorithms-with-python.

Cohen, J. (2021). Deep Learning Algorithms in Self-Driving Cars. Medium. Available at: https://becominghuman.ai/deep-learning-algorithms-in-self-driving-cars-14b13a895068.

Road Lane line detection-Computer Vision Project in Python. DataFlair. (2021). Available at: https://data-flair.training/blogs/road-lane-line-detection.

Ferdinand, N. (2020). A Deep Dive into Lane Detection with Hough Transform. Medium. Available at: https://towardsdatascience.com/a-deep-dive-into-lane-detection-with-hough-transform-8f90fdd1322f.

Johnson M. (2005). PID Control Technology. In: Johnson M.A., Moradi M.H. (eds) PID Control. Springer, London. Available at: https://doi.org/10.1007/1-84628-148-2_1.

Crowe J., Johnson M. (2005). Phase-Locked Loop Methods and PID Control. In: Johnson M.A., Moradi M.H. (eds) PID Control. Springer, London. Available at: https://doi.org/10.1007/1-84628-148-2_7.

Semmlow J. L. (2008). Fundamentals of Image Processing: Matlab Image Processing Toolbox. Bio-signal and Medical Image Processing, pp. 293-325.

Kittler, J. (1985). Image Processing System Architectures. Research Studies Press, Wiley.