Marko Vukotić R2 45/2023
Nedeljko Vignjević R2 32/2022
Definicija problema
Ideja ovog projekta je kreiranje sistema za autonomnu vožnju, baziranog na end-to-end pristupu. Sistem bi bio kreiran tako da radi u okviru CARLA simulatora. Ulaz u sistem bi bio frejm slike dobijene od strane CARLA simulatora, dok bi na izlazu za zadati frejm dobijali komandu za skretanje i vrednost brzine
Skup podataka
Skup podataka će biti prikupljen kroz CARLA simulator korišćenjem njihovog autopilot moda.
Metodologija
Što se modela neurosnkih mreža tiče ideja je da se naš end-to-end sistem sastoji iz 2 dela: vision modela i policy modela. Vision model bi trebalo da izdvoji sve karakteristike iz slike koje su neophodne za vožnju, a zatim da naš policy model na osnovu izlaza iz vision modela izvrši predikciju komande upravljanja i brzine.
Za vision model obučavaćemo primarno EfficientNetV2 arhitekturu.
Za policy model plan je da obučavamo arhitekturu zasnovanu samo na fully-connected slojevima.
Evaluacija
Za validaciju sistema koristićemo okruženje u CARLA simulatoru koje model nije imao priliku da vidi na obučavajućem skupu podataka. Podelićemo podatke na one za obučavanje i one za validaciju (80:20).
Još jedan način evaluacije rešenja biće nam merenje vremena koliko dugo model nije napravio grešku tokom vožnje.
Tim
Marko Vukotić R2 45/2023 Nedeljko Vignjević R2 32/2022
Definicija problema
Ideja ovog projekta je kreiranje sistema za autonomnu vožnju, baziranog na end-to-end pristupu. Sistem bi bio kreiran tako da radi u okviru CARLA simulatora. Ulaz u sistem bi bio frejm slike dobijene od strane CARLA simulatora, dok bi na izlazu za zadati frejm dobijali komandu za skretanje i vrednost brzine
Skup podataka
Skup podataka će biti prikupljen kroz CARLA simulator korišćenjem njihovog autopilot moda.
Metodologija
Što se modela neurosnkih mreža tiče ideja je da se naš end-to-end sistem sastoji iz 2 dela: vision modela i policy modela. Vision model bi trebalo da izdvoji sve karakteristike iz slike koje su neophodne za vožnju, a zatim da naš policy model na osnovu izlaza iz vision modela izvrši predikciju komande upravljanja i brzine. Za vision model obučavaćemo primarno EfficientNetV2 arhitekturu. Za policy model plan je da obučavamo arhitekturu zasnovanu samo na fully-connected slojevima.
Evaluacija
Za validaciju sistema koristićemo okruženje u CARLA simulatoru koje model nije imao priliku da vidi na obučavajućem skupu podataka. Podelićemo podatke na one za obučavanje i one za validaciju (80:20). Još jedan način evaluacije rešenja biće nam merenje vremena koliko dugo model nije napravio grešku tokom vožnje.