آموزش بهینه رفتار راننده با استفاده از یادگیری عمیق در قالب رویکرد آموزشی end-to-end برای هدایت خودروی خودران

یکی از مهم‌ترین شاخص‌های اصلی در معیار عملکرد خودروهای خودران، سیاست اتخاذشده توسط سیستم خودران در خصوص تعیین سرعت خودرو و زاویه فرمان می‌باشد. برای تعیین این سیاست همواره محققان با چالش انتخاب روش آموزش بهینه ما بین دو رویکرد سنتی مدولار و مدرن  end-to-end مواجه بوده‌اند. اخیرا تحقیقات زیادی در راستای معرفی رویکرد end-to-end  وکاربرد آن در این حوزه انجام شده است. در این پژوهش مدلی بهینه برای پیش‌بینی رفتار راننده با به‌کارگیری این رویکرد مدرن در قالب یادگیری عمیق برای آموزش شبکه‌های عصبی مصنوعی ارایه‌شده است. به عبارتی دستیابی به مدلی با دقت قابل قبول نسبت به کارهای مشابه در هدایت خودروی خودران مدنظر بوده است.  برای این منظور بر اساس بررسی‌های انجام‌شده بر روی معماری شبکه‌های موجود، دو معماری که دارای پتانسیل‍های لازم برای دست‌یابی به این مهم بوده‌اند انتخاب گردید. همچنین برای نادیده نگرفتن رابطه زمانی بین اسلایدها و نشان دادن وابستگی‌های زمانی بصری و بررسی تاثیر آن در نتیجه، در آموزش مدل از ترکیب شبکه‌های عصبی پیچشی (کانولوشنال) با یک نوع شبکه بازگشتی با عنوان حافظه کوتاه مدت بلند lstm  استفاده شده است. در این پژوهش از یک مجموعه داده کامل که در شرایط رانندگی واقعی جمع‌آوری شده و دارای برچسب بوده و شامل تصاویر و اطلاعات عمق می‌باشد، استفاده کردیم و با طراحی الگوریتم های آموزشی و بهینه‌سازی پارامتر های آموزش با استفاده از الگوریتم  بهینه‌سازی آدام چندین مدل آموزش دیده ارایه گردید که از بین نتایج به‌دست آمده برخی از پیش‌بینی‌ها بهینه‌تر از کارهای مشابه بودند و این امر نشان از تاثیر بی‌بدیل وابستگی‌های زمانی در آموزش و اثرگذاری شبکه‌های بازگشتی در کنار پردازش قوی شبکه‌های پیچشی را دارد.

optimal training of driver behavior using deep learning in the form of an end-to-end training approach for self-driving car

one of the most important main indicators in the performance criteria of self-driving cars is the policy adopted by the self-driving system regarding the determination of vehicle speed and steering angle. to determine this policy, researchers have always faced the challenge of choosing our optimal training method between two traditional modular and modern end-to-end approaches. recently, a lot of research has been done in order to introduce the end-to-end approach and its application in this field. in this research, an optimal model for predicting the driver’s behavior has been presented using this modern approach in the form of deep learning for training artificial neural networks. in other words, achieving a model with acceptable accuracy compared to similar tasks in driving a self-driving car has been considered. for this purpose, based on the investigations carried out on the architecture of the existing networks, two architectures that have the necessary potential to achieve this goal were selected. also, in order not to ignore the time relationship between the slides to show the visual time dependencies, and to check its effect on the result, the combination of convolutional neural networks (convolutional) with a type of recurrent network called long short-term memory lstm was used in the training of the model. also, a complete data set collected in real driving conditions and labeled including images and depth information has been used, and by designing training algorithms and optimizing training parameters using the adam optimization algorithm, several trained models were presented. among the obtained results, some predictions were more optimal than similar works, which shows the unique effect of temporal dependencies in the training and effectiveness of recurrent networks along with the strong processing of convolutional networks.