رانندگی خودمختار با استفاده از یادگیری عمیق در نرم افزار متلب


رانندگی خودمختار با استفاده از یادگیری عمیق در نرم افزار متلب

به کمک نرم افزار MATLAB و یادگیری عمیق، خودرو خودمختار درک اولیه از محیط را دریافت می کند که به کمک این ورودی ها، برای ناوبری و حرکت در مسیر تصمیم منطقی را می گیرد. همچنین استفاده از یادگیری عمیق به کمک شبکه های عصبی کانولوشن، می تواند درک بهتری از محیط (همانند انسان) به ماشین متحرک ارائه بدهد.


احتمالا با اتومبیل های خودران آشنایی دارید هر چند چندین خودرو با این قابلیت در بازار، موجود است. اما چگونه می شود که خودروها مشابه انسان، بتوانند پیرامون خود را درک کنند و طبق آن عکس العمل نشان دهند. خودرو خودمختار باید موقعیت های موانع و طبقه ای از موانع را تشخیص دهد و متناسب با آن ترمز و یا با مانوری منطقی، از مانع عبور کند. علاوه بر این خودرو باید لندمارک های متناسب با ماموریت خود (مانند خط های خیابان) را استخراج و خودرو را در مکان منطقی هدایت کند. یادگیری عمیق به خودرو توانایی تشخیص و طبقه بندی موانع با اهمیت تر همانند انسان را می دهد و می توان به وسیله این روش منطق انسان را تاحدودی برای ماشین اجرا کرد. در این پست، دو وظیفه ادراکی خودرو خودمختار ارائه می شود: اول، تشیخص خودرو و دوم تشخیص لندمارک خطوط خیابان. برای اجرا این وظایف از قابلیت نرم افزار MATLAB برای یادگیری عمیق و شتاب پردازش موازی GPU در برچسب گذاری حقیقی، ساخت شبکه جدید به منظور تشخیص و رگرسیون، و ارزیابی قابلیت های شبکه آموزش دیده، استفاده شده است.

1- تشخیص خودرو

تشخیص خودرو برای موقعیت عابرین پیاده، نشانه های ترافیکی و دیگر وسایل نقلیه استفاده می شود که در این بخش از یک نمونه به منظور آشکار ساز خودرو با استفاده از یادگیری عمیق، استفاده شده است. همچنین به کمک این روش می توان هر شی را با نوع تطابق آستانه، استخراج کرد. در شکل زیر، سه کلاس متفاوت از خودرو استخراج، طبقه بندی و موقعیت یابی شده ا



لازم به ذکر است، قبل از هر گونه استفاده از یادگیری عمیق، باید داده های طبقه بندی شده به شبکه آموزش داده شوند که مجموعه ای از تصاویر حاوی موقعیت مکانی و برچسب از مناطق با اهمیت، است. به منظور این کار می توان از Traininglabels نرم افزار متلب کمک گرفت. به طور معمول برای شروع لازم است یک کاربر، هر تصویر یا فریم ویدیو برچسب گذاری کند، هر چند با افزایش حجم داده این موضوع بسیار دشوار می شود و این می تواند فضای پژوهشی باز برای علاقه مندان و پژوهشگران باشد. در کل به این فعالیت برچسب گذاری حقیقی گفته می شود که بیشترین اتلاف زمان برای پردازش و آشکار ساز خودرو است. نمونه این فعالیت در شکل زیر نمایش داده شده است و تصویر سمت چپ تصویر خام، تصویر سمت راست تصویر برچسب گذاری شده، است.

همچنین، به منظور کاهش زمان در برچسب گذاری داده ها می توان از تولباکس رانندگی خودکار متلب (MATLAB Automated Driving System Toolbox) استفاده کرد که در شکل زیر نشان داده شده است.

الگوریتم (KTL (Kanade Lucas Tomasi یکی از اولین الگوریتم های بینایی ماشین است که در دنیای واقعی از آن استفاده شد و در امر ردیابی مشهور است. با استفاده از این روش می توان تعداد اشیا مورد اه