Điều khiển xe tự lái sử dụng mạng noron tích chập tiên tiến

Bài viết nghiên cứu lý thuyết về mô hình mạng CNN tiên tiến (VGG-16), dựa trên kiến trúc VGG-16. Tác giả xây dựng mô hình mới, bằng cách xen kẽ kích thước bộ lọc 3x3, 1x1, tăng số lượng khối tích chập, sử dụng hàm kích hoạt ELU sau mỗi lớp tích chập, tinh chỉnh các siêu tham số; sau đó thực nghiệm áp dụng mô hình mới vào dự đoán góc lái xe tự hành dựa trên hình ảnh thu được từ phần mềm mô phỏng xe tự lái Udacity.
Nội dung trích xuất từ tài liệu:
Điều khiển xe tự lái sử dụng mạng noron tích chập tiên tiến KHOA HỌC & CÔNG NGHỆ ĐIỀU KHIỂN XE TỰ LÁI SỬ DỤNG MẠNG NORON TÍCH CHẬP TIÊN TIẾN CONTROL SELF-DRIVING CARS USING ADVANCED CONVOLUTIONAL NEURAL NETWORK Lương Thị Thảo Hiếu, Phạm Thị Thùy Khoa Công nghệ thông tin, Trường Đại học Kinh tế - Kỹ thuật Công nghiệp Đến Tòa soạn ngày 17/03/2022, chấp nhận đăng ngày 28/04/2022 Tóm tắt: Mạng nơron tích chập (CNN) là một trong những mô hình mạng học sâu (Deep Learning) phổ biến nhất hiện nay, có khả năng nhận dạng và phân loại hình ảnh với độ chính xác cao, thậm chí tốt hơn con người trong nhiều trường hợp. Mô hình này đã và đang được ứng dụng vào các hệ thống xử lý ảnh lớn của Facebook, Google hay Amazon… Bài báo nghiên cứu lý thuyết về mô hình mạng CNN tiên tiến (VGG-16), dựa trên kiến trúc VGG-16. Tác giả xây dựng mô hình mới, bằng cách xen kẽ kích thước bộ lọc 3x3, 1x1, tăng số lượng khối tích chập, sử dụng hàm kích hoạt ELU sau mỗi lớp tích chập, tinh chỉnh các siêu tham số; sau đó thực nghiệm áp dụng mô hình mới vào dự đoán góc lái xe tự hành dựa trên hình ảnh thu được từ phần mềm mô phỏng xe tự lái Udacity. Thực hiện đánh giá, so sánh, kết quả nghiên cứu cho thấy mô hình mới dự đoán góc lái thực sự hiệu quả. Từ khóa: Xe tự lái, CNN, học sâu, họcgiám sát, VGG-16. Abstract: Convolutional Neural Network (CNN) is one of the most popular Deep Learning network models, capable of recognizing and classifying images with high accuracy, even better than humans. This model has been applied to large image processing systems as Facebook, Google or Amazon... In this paper, we focus on studying some advanced CNN network models (VGG-16), based on VGG-16 architecture, we build new model, by interleaved kernel 3x3, 1x1, increasing number of convolutional blocks, using Exponential Linear Unit (ELU) activation function after each convolution layer, hyperparameter tuning. Apply a new model to predict steering angles in autonomous driving based on image data obtained from Udacity self-driving car simulation. Evaluation, experimentation, and research results show that the steering angle prediction in new model is really effective. Keywords: Self-driving car, CNN, Deep learning, supervised learning, VGG-16. 1. GIỚI THIỆU đoán góc lái xe tự hành, sử dụng dữ liệu huấn Cùng với sự phát triển của công nghệ trí tuệ luyện học giám sát, góc lái sẽ được dự đoán nhân tạo (AI), các phương tiện xe tự hành (tự bởi một mô hình mạng noron nhân tạo sử lái) tăng lên đáng kể trong những năm gần đây. dụng đầu vào là các pixel ảnh [2], khi đó mô Một trong các bộ phận quan trọng tích hợp hình học tự động dự đoán góc lái không cần trong xe tự lái là phần mềm AI, chức năng sự can thiệp của con người. Với sự gia tăng quan trọng của AI dùng để dự đoán góc lái của khả năng tính toán cho phép huấn luyện của xe ở đoạn đường phía trước [1]. Để dự các mạng noron tích chập đạt kết quả tốt trong TẠP CHÍ KHOA HỌC & CÔNG NGHỆ . SỐ 36 - 2022 27 KHOA HỌC & CÔNG NGHỆ phân lớp hình ảnh [3]. Các thuật toán học sâu chỉ áp dụng một vài kịch bản với một vài CNN ban đầu được sử dụng cho các tác vụ chướng ngại vật. Sự phát triển nhanh chóng nhận diện với kiến trúc đơn giản như LeNet, của AI đã tạo ra cách mạng trong lĩnh vực xe Alexnet, hiệu năng của các thuật toán học sâu tự hành bằng cách kết hợp các mô hình và dựa vào kiến trúc thiết kế và các tham số huấn thuật toán phức tạp. Kỹ thuật học sâu cùng luyện [4]. Udacity [5] đã tạo ra phần mềm mã với sự gia tăng khả năng tính toán của các nguồn mở điều khiển xe tự lái, họ đã phát máy tính sử dụng GPU cấu hình cao, cho phép hành tập dữ liệu về hình ảnh ôtô di chuyển huấn luyện các mạng noron tích chập (CNN) điều khiển bằng tay, mỗi hình ảnh được gán đạt kết quả tốt trong phân lớp hình ảnh. một nhãn góc lái tương ứng. Mục tiêu cần tìm Nghiên cứu thiết kế kiến trúc mạng và tinh một mô hình mà từ hình ảnh thu được khi ô tô chỉnh siêu tham số trong mạng CNN để đạt di chuyển, sử dụng mô hình đó dự đoán góc kết quả tối ưu là vấn đề đang được nhiều nhà lái sao cho sai số giữa góc lái dự đoán bởi mô nghiên cứu khoa học quan tâm [7]. Năm 2016, hình và góc lái thực tế tạo bởi lái xe là nhỏ nhóm NVIDIA đã nghiên cứu thiết kế mô nhất. Trong bài báo này, chúng tôi nghiên cứu hình xe tự lái, nhóm huấn luyện sử dụng kiến mô hình mạng CNN tiên tiến VGG-16 [6], sau trúc mạng LeNet, bổ sung hàm kích hoạt, đó dựa trên nguyên lý xây dựng VGG-16, xây chứa 9 lớp bao gồm 1 lớp chuẩn hóa, 5 lớp dựng mô hình có kiến trúc tương tự VGG-16, tích chập và 3 lớp kết nối đầy đủ [8]. thực hiện thay đổi xen kẽ bộ lọc 3x3, 1x1, Mô hình của NVIDA sử dụng 252.219 tham tăng cường số lớp tích chập, sử dụng hàm số, hàm kích hoạt ReLu, nhân tích chập kích kích hoạt Exponential Linear Units (ELU) thước 55, ánh xạ các pixel ảnh thu được từ thay cho Rectified Linear Activation (ReLu), sử camera giữa của ô tô để dự đoán góc lái. Kết dụng thuật toán tối ưu nadam thay cho adam, quả áp dụng mô hình dự đoán góc lái đưa ra thực hiện biến đổi một số siêu tham số tại các kết quả chính xác ngạc nhiên. Trong những lớp phù hợp với dự đoán góc lái của xe tự năm gần đây lĩnh vực nghiên cứu điều kh ...