Моделирование автономного вождения с использованием обучения с подкреплением и настройки модели Xception

Основная идея заключается в разделении среды (сервера) и агентов (клиентов). Архитектура сервер/клиент позволяет запускать сервер и клиент локально на одной машине или запускать среду (сервер) на одной машине и несколько клиентов на других. Для одновременного обучения и предсказания используется обучение с подкреплением. Получение убедительных результатов в процессе обучения будет свидетельствовать о перспективном улучшении систем автоматизации и автомобильной промышленности. Эта симуляция будет особенно полезна при расширении набора симуляционных объектов и встраивании более реалистичных условий. Улучшения в автономных автомобилях связаны с прогрессом в глубоких нейронных сетях и обработке данных. Ввиду огромного объема многомерных данных, которые может генерировать автономный автомобиль, требуются более эффективные методы обработки данных для получения лучших результатов. В эту глубокую обучающую архитектуру можно добавлять слои для повышения эффективности по мере эволюции собираемых данных, например за счет новых датчиков, улучшенного распознавания препятствий или дополнительных реальных временных признаков. Продолжение данного исследования и реализация фреймворка глубокого обучения для автономных автомобилей показывает, что данные датчиков предоставляют достаточные параметры для оценки новых классовых переменных. Точность модели и результаты сравниваются с прицелом на увеличение объема данных и вычислительных мощностей. В работе рекомендуется использовать облачные сервисы для удовлетворения графических и процессорных требований, так как вычисления для таких многомерных данных могут быть очень ресурсоемкими. Также обсуждается понимание обществом автономных транспортных средств и возможная степень их принятия, а также связанные сложности: социальное сопротивление может быть сильным в начале, но ожидается постепенное принятие по мере развития науки и технологий.