Autonomní řízení modelu auta pomocí neuronové sítě

Abstract

Tato bakalářská práce je zaměřena na problematiku umělých neuronových sítí na embedded systému s malým výkonem. Důležitým úkolem této práce je implementace umělé neuronové sítě, která bude jediným nástrojem pro predikci dat na vývojové platformě FRDM-K64F. K implementaci je použita knihovna Tensorflow Lite pro mikropočítače. Účelem této neuronové sítě je na základě dat získaných v reálném čase z řádkové kamery předpovědět správnou rychlost a trajektorii modelu vozu na trati NXP. V teoretické části jsou popsány základní koncepty neuronových sítí, přístup k jejich budování a výběr správných trénovacích příkladů, použití různých kombinací architektur a způsoby jejich optimalizace pro dosažení ideálních výsledků. Praktická část zahrnuje konfigurace a testovaní konkrétních sítí, výběr těch nejlepších architektur na základě testování. Jedná se zejména o vektorové, řádkové a konvoluční neuronové sítě, které se liší jak způsobem přijímání informací, tak architekturou. V závěru práce jsou rozebrány možnosti vylepšení modelu vozidla a přístupu k jeho trénování na základě problémů, které byly zjištěny v této práci.

This bachelor thesis focuses on the problem of artificial neural networks on a low-performance embedded system. The important task of this thesis is to implement an artificial neural network, which should be the only tool for data prediction on a FRDM-K64F development platform using the Tensorflow Lite library for microcomputers. The purpose of this neural network is to predict the correct speed and trajectory of a model car on an NXP track based on real-time data obtained from a line camera. The theoretical section describes the basic concepts of neural networks, the approach to building them and selecting the right training examples for them, the use of different combinations of architectures and how to optimize them to achieve ideal results. The practical part covers the specific networks built, the selection of the best ones and their comparison with each other. These are mainly vector, row and convolutional neural networks, which differ in the way they receive information and in their architecture. The paper concludes with a discussion of how the vehicle model and the approach to training it can be improved based on the problems identified in this work.