Deep Learning per la conducció autònoma de vehicles

Abstract

Cada any aproximadament 1,35 milions de persones moren per accidents de trànsit, el 94% d’aquests com a resultat d’errors humans. El desenvolupament de cotxes autònoms és un dels àmbits més populars i de moda on s’està experimentant amb tècniques de Deep Learning per tal de garantir la seguretat i la integritat de les persones. El Deep Learning és un subconjunt de tècniques en l’àmbit del Machine Learning que serveix per entrenar màquines algorítmiques a realitzar tasques sense haver sigut programades de manera explícita. L’objectiu d’aquest treball consisteix en preparar un vehicle de radio-control i programar la seva unitat computacional perquè, mitjançant la utilització de tècniques d’aprenentatge profund supervisat, aprengui a moure’s en un circuit tancat. Per tal d’assolir-lo es realitzaran diferents experiments en els quals es modificaran els paràmetres del vehicle així com les dades emprades en l’entrenament. En cada experiment es realitzarà una conducció diferent: sentit únic, ambdós sentits o ambdós sentits amb entrada de pista. A partir dels resultats dels experiments s’obtenen els errors del model en funció de les èpoques d’entrenament. Es pot observar que, primer de tot, perquè un model sigui vàlid, a més a més de tenir un error baix a l’etapa d’entrenament l’ha de tenir a l’etapa de validació. En el cas de que l’error en l’etapa de validació sigui major, s’obté un model massa complex (model sobreajustat) i, per tant, no vàlid. Finalment, s’arriba a la conclusió de que el correcte entrenament d’un model depèn majoritàriament de la qualitat de les dades d’entrada, així com de la quantitat d’aquestes, i no del nombre d’èpoques. La qualitat de les dades dependrà principalment de la conducció i la preparació, sent aquesta última un filtratge i etiquetatge de les sortides