Ogólne działanie symulatora:
Zbieramy dane o kącie skrętu kół, aktualnej prędkości, procentowa wartość przyspieszenia oraz wartości hamowania
Zbieramy obraz z kamery który będzie nam służył do zbierania danych do przyszłych testów oraz będzie potrzebny do przesyłania go do sieci neuronowej
Sieć neuronowa oblicza wartości parametrów (skręt, hamowanie, przyspieszenie)
Lepsze, bo nasze:
uczenie modelu za pomocą pada zamiast klawiatury
wykorzystanie czujników odległości do lepszej oceny przeszkód na drodze (np. gdybyśmy robili samochód który miałby parkować w ciasnych miejscach, pomysł na przyszłość)
Waabi
rekonstrukcja swiata na podstawie danych z czujników ( u nas głównie kamera, mozliwe ze w przyszłosci moglibysmy do samochodu zamontowac czujnik cos na podobe HC-SR04 taki jak był na labach z SWIM aby miec dodatkowe dane )
symulują wirtualna droge pojazdu, a następnie na podstawie ruchu ulicznego modyfikują zachowanie pojazdu
korzystali z formatu plików MCAP oraz platformy do wizualizacji i analizy danych foxglove
Traffic AI™ to zewnętrzna biblioteka, która po integracji z symulatorem lub grą wideo umieszcza na wirtualnych drogach samochody zachowujące się jak w realnym świecie.
znalezione podobne rozwiązania lub inne materiały: https://www.mdpi.com/1424-8220/23/20/8649 https://carla.org/ https://unity.com/how-to/simulated-environments-for-autonomous-vehicle-training
Samochód, kamerka z telefonu sterowanie za pomocą arduino napisane w java https://blog.singleton.io/nnrccar/ https://github.com/dps/nnrccar
Gotowy kod wraz z wyjaśnieniem https://www.youtube.com/watch?v=EaY5QiZwSP4&ab_channel=SirajRaval https://github.com/llSourcell/How_to_simulate_a_self_driving_car/tree/master
Ogólne działanie symulatora: Zbieramy dane o kącie skrętu kół, aktualnej prędkości, procentowa wartość przyspieszenia oraz wartości hamowania Zbieramy obraz z kamery który będzie nam służył do zbierania danych do przyszłych testów oraz będzie potrzebny do przesyłania go do sieci neuronowej Sieć neuronowa oblicza wartości parametrów (skręt, hamowanie, przyspieszenie)
Lepsze, bo nasze: uczenie modelu za pomocą pada zamiast klawiatury wykorzystanie czujników odległości do lepszej oceny przeszkód na drodze (np. gdybyśmy robili samochód który miałby parkować w ciasnych miejscach, pomysł na przyszłość)
Waabi rekonstrukcja swiata na podstawie danych z czujników ( u nas głównie kamera, mozliwe ze w przyszłosci moglibysmy do samochodu zamontowac czujnik cos na podobe HC-SR04 taki jak był na labach z SWIM aby miec dodatkowe dane ) symulują wirtualna droge pojazdu, a następnie na podstawie ruchu ulicznego modyfikują zachowanie pojazdu korzystali z formatu plików MCAP oraz platformy do wizualizacji i analizy danych foxglove
Traffic AI™ to zewnętrzna biblioteka, która po integracji z symulatorem lub grą wideo umieszcza na wirtualnych drogach samochody zachowujące się jak w realnym świecie.