Χρήση τεχνικών βαθιάς μάθησης για λογισμικό αυτόνομης οδήγησης
Ο άνθρωπος βρίσκεται στην απαρχή μιας νέας βιομηχανικής επανάστασης, η οποία χαρακτηρίζεται από την εκμάθηση/αυτό-εκπαίδευση των ίδιων των Μηχανών Machine Learning και το γενικότερο σύνολο της Τεχνητής Νοημοσύνης Artificial Intelligence καθώς και την Επιστήμη των Δεδομένων Data Science που συνδυαστι...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2021
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/14454 |
| id |
nemertes-10889-14454 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Βαθιά μάθηση Μηχανική μάθηση Αυτόνομη οδήγηση Deep learning Machine learning |
| spellingShingle |
Βαθιά μάθηση Μηχανική μάθηση Αυτόνομη οδήγηση Deep learning Machine learning Διδάχος, Χρήστος Χρήση τεχνικών βαθιάς μάθησης για λογισμικό αυτόνομης οδήγησης |
| description |
Ο άνθρωπος βρίσκεται στην απαρχή μιας νέας βιομηχανικής επανάστασης, η οποία χαρακτηρίζεται από την εκμάθηση/αυτό-εκπαίδευση των ίδιων των Μηχανών Machine Learning και το γενικότερο σύνολο της Τεχνητής Νοημοσύνης Artificial Intelligence καθώς και την Επιστήμη των Δεδομένων Data Science που συνδυαστικά δημιουργούν πολλά υποσχόμενες ευκαιρίες αλλά και προκλήσεις.
Η αύξηση της υπολογιστικής ισχύος κυρίως σε GPU αλλά και CPU, σε συνδυασμό με νέες τεχνικές, έχουν καταφέρει να ξεπεράσουν τους περιορισμούς του παρελθόντος, όπως αυτή της διαχείρισης και επεξεργασίας μεγάλων δεδομένων. Τα δεδομένα μπορεί να είναι μεγάλα αλλά και συνεχούς ροής, γεγονός που απαιτεί γρήγορη επεξεργασία των δεδομένων για την λήψη αποφάσεων και την ανίχνευση χαρακτηριστικών. Για να επιτευχθεί το βέλτιστο αποτέλεσμα, πραγματοποιείται μια εκ των προτέρων εκπαίδευση μοντέλου με την χρήση λιγότερων αλλά πραγματικών δεδομένων από ένα δείγμα. Την εκπαίδευση του μοντέλου την διαδέχεται η επαλήθευσε, δεχόμενο δεδομένα του αρχικού δείγματος διαφορετικά από αυτά της εκπαίδευσης.
Η γενικότερη εκτόξευση της τεχνολογίας σε θέματα υλικού hardware έχει προσδώσει νέες δυνατότητες σε πολλούς τομείς διαφορετικών επιστημών και βιομηχανιών. Έτσι, η βιομηχανία των οχημάτων δεν θα μπορούσε να μείνει ανεπηρέαστη από αυτές τις τεχνολογικές επιτυχίες. Τα οχήματα είτε είναι ελαφριά είτε βαρέα ή μηχανήματα έργων τους γίνεται προσπάθεια από υπάρχουσες ή από νέες εταιρίες να πραγματοποιηθεί η πλήρης αυτόνομη οδήγηση. Δηλαδή, το όχημα να είναι σε θέση να ανταποκρίνεται κάτω από όλες τις οδικές και περιβαλλοντικές συνθήκες που μπορεί να διαχειριστεί αντίστοιχα ένας ανθρώπινος οδηγός.
Οι κατασκευάστριες εταιρίες αυτοκινήτων συναγωνίζονται για την υπεροχή στην τεχνολογία αυτόνομων οχημάτων. Ωστόσο, είναι επίσης σαφές ότι υπάρχει ακόμη πολύς δρόμος από τα υπάρχοντα συστήματα υποστήριξης οδηγού σε πολύπλοκες πλατφόρμες οδήγησης που θα μπορούν να πλοηγηθούν για παράδειγμα σε πολυσύχναστες διασταυρώσεις όπου θα συναντιέται μια αυτόνομη μηχανή και ένας άνθρωπος. Εκτός από τις αμιγώς τεχνολογικές προκλήσεις, η αυτόνομη οδήγηση έχει προκαλέσει επίσης έναν κοινωνικό διάλογο που βρίσκεται ακόμη σε πλήρη εξέλιξη.
Η αυτόνομη τεχνολογία οχημάτων θα μπορεί να είναι σε θέση να παρέχει ορισμένα πλεονεκτήματα σε σύγκριση με τα παραδοσιακά οχήματα που χρειάζονται έναν άνθρωπο. Ένα πιθανό πλεονέκτημα είναι ότι θα μπορούσαν να παρέχουν αυξημένη ασφάλεια στο δρόμο. Τα ατυχήματα των οχημάτων προκαλούν πολλούς θανάτους κάθε χρόνο και τα αυτοματοποιημένα οχήματα θα μπορούσαν ενδεχομένως να μειώσουν τον αριθμό των ατυχημάτων καθώς το λογισμικό που χρησιμοποιείται σε αυτά είναι πιθανό να κάνει λιγότερα λάθη σε σύγκριση με τον άνθρωπο. Η μείωση του αριθμού των ατυχημάτων θα μπορούσε επίσης να μειώσει την κυκλοφοριακή συμφόρηση, η οποία είναι ένα περαιτέρω πιθανό πλεονέκτημα που προσφέρουν τα αυτόνομα οχήματα.
Στην παρούσα Διπλωματική Εργασία θα αναφερθούμε και θα εφαρμόσουμε μερικές από τις τεχνικές που χρησιμοποιούνται για να τρέξει ένα όχημα σε μια πίστα προσομοίωσης με την χρήση τεχνικών Βαθιάς Μάθησης, καθώς και με την αναγνώριση πινακίδων οδικής κυκλοφορίας μέσω της Υπολογιστικής Όρασης, η οποία είναι μια καίρια διαδικασία για την εύρυθμη και ασφαλή διέλευση των οχημάτων σε πραγματικές συνθήκες. |
| author2 |
Didachos, Christos |
| author_facet |
Didachos, Christos Διδάχος, Χρήστος |
| author |
Διδάχος, Χρήστος |
| author_sort |
Διδάχος, Χρήστος |
| title |
Χρήση τεχνικών βαθιάς μάθησης για λογισμικό αυτόνομης οδήγησης |
| title_short |
Χρήση τεχνικών βαθιάς μάθησης για λογισμικό αυτόνομης οδήγησης |
| title_full |
Χρήση τεχνικών βαθιάς μάθησης για λογισμικό αυτόνομης οδήγησης |
| title_fullStr |
Χρήση τεχνικών βαθιάς μάθησης για λογισμικό αυτόνομης οδήγησης |
| title_full_unstemmed |
Χρήση τεχνικών βαθιάς μάθησης για λογισμικό αυτόνομης οδήγησης |
| title_sort |
χρήση τεχνικών βαθιάς μάθησης για λογισμικό αυτόνομης οδήγησης |
| publishDate |
2021 |
| url |
http://hdl.handle.net/10889/14454 |
| work_keys_str_mv |
AT didachoschrēstos chrēsētechnikōnbathiasmathēsēsgialogismikoautonomēsodēgēsēs AT didachoschrēstos deeplearningtechniquesforautonomousdrivingsoftware |
| _version_ |
1771297220619927552 |
| spelling |
nemertes-10889-144542022-09-05T13:58:44Z Χρήση τεχνικών βαθιάς μάθησης για λογισμικό αυτόνομης οδήγησης Deep learning techniques for autonomous driving software Διδάχος, Χρήστος Didachos, Christos Βαθιά μάθηση Μηχανική μάθηση Αυτόνομη οδήγηση Deep learning Machine learning Ο άνθρωπος βρίσκεται στην απαρχή μιας νέας βιομηχανικής επανάστασης, η οποία χαρακτηρίζεται από την εκμάθηση/αυτό-εκπαίδευση των ίδιων των Μηχανών Machine Learning και το γενικότερο σύνολο της Τεχνητής Νοημοσύνης Artificial Intelligence καθώς και την Επιστήμη των Δεδομένων Data Science που συνδυαστικά δημιουργούν πολλά υποσχόμενες ευκαιρίες αλλά και προκλήσεις. Η αύξηση της υπολογιστικής ισχύος κυρίως σε GPU αλλά και CPU, σε συνδυασμό με νέες τεχνικές, έχουν καταφέρει να ξεπεράσουν τους περιορισμούς του παρελθόντος, όπως αυτή της διαχείρισης και επεξεργασίας μεγάλων δεδομένων. Τα δεδομένα μπορεί να είναι μεγάλα αλλά και συνεχούς ροής, γεγονός που απαιτεί γρήγορη επεξεργασία των δεδομένων για την λήψη αποφάσεων και την ανίχνευση χαρακτηριστικών. Για να επιτευχθεί το βέλτιστο αποτέλεσμα, πραγματοποιείται μια εκ των προτέρων εκπαίδευση μοντέλου με την χρήση λιγότερων αλλά πραγματικών δεδομένων από ένα δείγμα. Την εκπαίδευση του μοντέλου την διαδέχεται η επαλήθευσε, δεχόμενο δεδομένα του αρχικού δείγματος διαφορετικά από αυτά της εκπαίδευσης. Η γενικότερη εκτόξευση της τεχνολογίας σε θέματα υλικού hardware έχει προσδώσει νέες δυνατότητες σε πολλούς τομείς διαφορετικών επιστημών και βιομηχανιών. Έτσι, η βιομηχανία των οχημάτων δεν θα μπορούσε να μείνει ανεπηρέαστη από αυτές τις τεχνολογικές επιτυχίες. Τα οχήματα είτε είναι ελαφριά είτε βαρέα ή μηχανήματα έργων τους γίνεται προσπάθεια από υπάρχουσες ή από νέες εταιρίες να πραγματοποιηθεί η πλήρης αυτόνομη οδήγηση. Δηλαδή, το όχημα να είναι σε θέση να ανταποκρίνεται κάτω από όλες τις οδικές και περιβαλλοντικές συνθήκες που μπορεί να διαχειριστεί αντίστοιχα ένας ανθρώπινος οδηγός. Οι κατασκευάστριες εταιρίες αυτοκινήτων συναγωνίζονται για την υπεροχή στην τεχνολογία αυτόνομων οχημάτων. Ωστόσο, είναι επίσης σαφές ότι υπάρχει ακόμη πολύς δρόμος από τα υπάρχοντα συστήματα υποστήριξης οδηγού σε πολύπλοκες πλατφόρμες οδήγησης που θα μπορούν να πλοηγηθούν για παράδειγμα σε πολυσύχναστες διασταυρώσεις όπου θα συναντιέται μια αυτόνομη μηχανή και ένας άνθρωπος. Εκτός από τις αμιγώς τεχνολογικές προκλήσεις, η αυτόνομη οδήγηση έχει προκαλέσει επίσης έναν κοινωνικό διάλογο που βρίσκεται ακόμη σε πλήρη εξέλιξη. Η αυτόνομη τεχνολογία οχημάτων θα μπορεί να είναι σε θέση να παρέχει ορισμένα πλεονεκτήματα σε σύγκριση με τα παραδοσιακά οχήματα που χρειάζονται έναν άνθρωπο. Ένα πιθανό πλεονέκτημα είναι ότι θα μπορούσαν να παρέχουν αυξημένη ασφάλεια στο δρόμο. Τα ατυχήματα των οχημάτων προκαλούν πολλούς θανάτους κάθε χρόνο και τα αυτοματοποιημένα οχήματα θα μπορούσαν ενδεχομένως να μειώσουν τον αριθμό των ατυχημάτων καθώς το λογισμικό που χρησιμοποιείται σε αυτά είναι πιθανό να κάνει λιγότερα λάθη σε σύγκριση με τον άνθρωπο. Η μείωση του αριθμού των ατυχημάτων θα μπορούσε επίσης να μειώσει την κυκλοφοριακή συμφόρηση, η οποία είναι ένα περαιτέρω πιθανό πλεονέκτημα που προσφέρουν τα αυτόνομα οχήματα. Στην παρούσα Διπλωματική Εργασία θα αναφερθούμε και θα εφαρμόσουμε μερικές από τις τεχνικές που χρησιμοποιούνται για να τρέξει ένα όχημα σε μια πίστα προσομοίωσης με την χρήση τεχνικών Βαθιάς Μάθησης, καθώς και με την αναγνώριση πινακίδων οδικής κυκλοφορίας μέσω της Υπολογιστικής Όρασης, η οποία είναι μια καίρια διαδικασία για την εύρυθμη και ασφαλή διέλευση των οχημάτων σε πραγματικές συνθήκες. Man is at the beginning of a new industrial revolution, which is characterized by the learning/self-training of the Machines themselves and the general set of Artificial Intelligence as well as the Data Science which in combination create many promising opportunities and challenges. The increase in computing power mainly in GPU but also CPU, in combination with new techniques, have managed to overcome the limitations of the past, such as that of big data management and processing. Data can be large as well as continuous flow, which requires fast data processing for decision making and feature detection. To achieve the best result, a model training is performed in advance using less but real data from a sample. The training of the model is followed by the verified one, accepting data of the original sample different from those of the training. The general launch of technology in hardware has given new possibilities in many fields of different sciences and industries. Thus, the vehicle industry could not be unaffected by these technological breakthroughs. The vehicles, whether they are light or heavy, or their construction machinery, are being tried by existing or new companies to carry out fully autonomous driving. That is, the vehicle must be able to respond to all road and environmental conditions that can be handled by a human driver respectively. Car manufacturers compete for excellence in autonomous vehicle technology. However, it is also clear that there is still a long way to go from existing driver support systems to complex driving platforms that can be navigated for example at busy intersections where an autonomous vehicle and a human will meet. In addition to the purely technological challenges, autonomous driving has also provoked a social dialogue that is still in full swing. Autonomous vehicle technology may be able to provide some advantages over traditional vehicles that a human needs. One potential advantage is that they could provide increased road safety. Vehicle accidents cause many deaths each year and automated vehicles could potentially reduce the number of accidents as the software used in them is likely to make fewer errors compared to humans. Reducing the number of accidents could also reduce traffic congestion, which is a further potential advantage offered by autonomous vehicles. In this Thesis we will refer to and apply some of the techniques used to run a vehicle on a simulation track using Deep Learning techniques, as well as by recognizing road signs through Computational Vision, which is a key process for the smooth and safe passage of vehicles in real life conditions. 2021-02-05T08:36:43Z 2021-02-05T08:36:43Z 2021-01-26 http://hdl.handle.net/10889/14454 gr application/pdf |
