Aprendizagem automática aplicada à condução de um veículo com direção Ackermann

• Autor(a) principal: Rodrigues, João Gabriel das Neves
• Data de Publicação: 2018
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10773/25129
• topic: Aprendizagem Automática; Aprendizagem por Reforço; Aprendizagem Supervisionada; Condução Autónoma

Nos últimos anos, tem havido um grande crescimento na área da Inteligência Artificial, principalmente por causa da aprendizagem automática. Esse crescimento é devido ao maior poder de processamento dos computadores atuais, o que permite a implementação de algoritmos já projetados, e à pesquisa e desenvolvimento de novos algoritmos. Esses algoritmos permitem a execução de tarefas difíceis de descrever diretamente pelos programadores. A aprendizagem é baseada em conjuntos de dados criados por seres humanos ou pelos próprios algoritmos, usando uma abordagem de tentativa e erro. A condução autónoma é uma das áreas em que os algoritmos de aprendizagem automática têm sido utilizados, com muitos dos avanços nessa área sendo resultado do seu uso. O ROTA é um veículo robótico de pequenas dimensões usado para investigação e ensino de algoritmos de condução autónoma, que participa no Festival Nacional de Robótica. O cenário de atuação do veículo corresponde a uma pista com semelhanças marcantes a uma estrada convencional, contendo obstáculos, sinais de trânsito e zonas de estacionamento. Até ao início desta dissertação, as várias tarefas que o veículo tinha que autonomamente realizar eram codificadas diretamente pelo programador. O objetivo desta dissertação foi o de aplicar aprendizagem automática na implementação do módulo de condução, responsável por manter o veículo dentro da faixa de rodagem. Pretendia-se a aplicação de técnicas de aprendizagem supervisionada e de aprendizagem por reforço. Para a aprendizagem supervisionada, optou-se por uma rede neuronal convolucional, tendo como entrada uma região de interesse da imagem da estrada captada por uma câmara montada na parte frontal do veículo e como saída a velocidade angular a aplicar para controlo do movimento. O conjunto de dados de treino foi obtido controlando manualmente o movimento do veículo com a ajuda de um comando e armazenando as imagens captadas pela câmara e as velocidades angulares dadas pelo humano. A recolha foi realizada num ambiente de simulação do veículo e da pista já existente. A rede treinada mostrou um bom desempenho quer no ambiente de simulação, quer com o veículo real na pista real durante o Robotica 2018. Para a aprendizagem por reforço, escolheram-se dois algoritmos: o DDQN e o DDPG. Para treinar estes algoritmos foi necessário proceder a alterações no ambiente de simulação de modo a permitir a interação. Os vários algoritmos desenvolvidos foram avaliados, fazendo-se uma análise comparativa. Os resultados alcançados com o algoritmo DDQN foram melhores que os alcançados com o DDPG, tendo sido possível conduzir no ambiente de simulaç ão, embora com algumas oscilações e saídas parciais de pista.