Этот пост является частью 12-месячного проекта ускоренного обучения Month to Master. На май: Моя цель - построить программную часть беспилотного автомобиля.
Большую часть этого месяца я был сосредоточен на создании предиктора угла поворота для моего беспилотного автомобиля.
Однако, чтобы закончить мою машину, важно, чтобы я понимал, как построить систему для управления акселератором / дроссельной заслонкой и тормозом автомобиля (то есть «педалями»).
Хотя это может показаться совершенно новым вызовом, оказывается, что я могу построить свою педальную систему без написания каких-либо новых строк кода.
В конце концов, моя модель управления была построена следующим образом: 1. Я показывала компьютеру набор изображений, 2. Присваивала числовое значение каждому изображению, 3. Попросила компьютер выяснить, как пиксели изображений соотносятся с числовыми значениями, 4 Использование этого отношения для прогнозирования числового значения, присвоенного другим изображениям.
В случае предсказателя поворота это числовое значение представляет угол поворота . Но с такой же легкостью это могло быть количество газа или торможения.
Таким образом, чтобы построить педальную систему, все, что мне нужно было сделать, это переназначить каждому изображению числовое значение, которое соответствует правильной величине дроссельной заслонки или величине торможения, а затем спросить компьютер (точно так же способ), чтобы определить соотношение между пикселями и числовыми значениями.
Итак, вот что я сделал.
Например, в случае throttle я подготовил data.txt с 10 000 изображений, сопоставленных с их соответствующим значением throttle, а затем прогнал этот файл через ту же самую модель машинного обучения.
И, как и ожидалось, со временем модель научилась, снизила потери и определила эффективный способ прогнозирования величины дроссельной заслонки.
То же самое проделал и с тормозной системой.
Другими словами, модель машинного обучения, которую я использовал, полностью универсальна. Не имеет значения, являются ли входными данными углы поворота, значения дроссельной заслонки или значения торможения. Модель не различает.
В каком-то смысле это, возможно, разочаровывает, но в другом - довольно удивительная вещь: технология машинного обучения достигла точки, когда нам не нужно создавать узкоспециализированные модели для каждого приложения. Вместо этого одна модель может быть расширена во многих областях - и это будет только улучшаться.
Дело в том, что мне не нужно много работать, чтобы получить троттлинг и торможение бесплатно. Хорошая сделка…
Прочтите следующий пост. Прочтите предыдущий пост.
