FenixEdu™

Dissertação

Tuning Trajectory Following Controllers for Autonomous Cars Using Reinforcement Learning EVALUATED

Detalhes: Na última década, Machine Learning (ML), mais especificamente Reinforcement Learning (RL) e Deep Learning (DL), têm sido uma das abordagens mais populares para a resolução do problema da condução autónoma. Na concepção de um veı́culo autónomo uma estratégia comum envolve a utilização de métodos de ML para afinar os parâmetros do controlador do veı́culo. Esta tese propõe a utilização de um algoritmo Q-Learning para ensinar um agente a afinar os parâmetros de um controlador de trajectória. Este controlador é utilizado num sistema concebido para efectuar duas manobras, ser capaz de evitar colisões frontais e controlar a velocidade e o limite do ângulo de direcção. É introduzida uma framework para um sistema baseado em Q-learning que trabalha com o simulador CARLA. Começou-se por testar o desempenho do simulador. Os resultados após o treino do agente demon- stram uma implementação adequada do algoritmo. Foi criado um ambiente personalizado para testar todas as funções do sistema, bem como a qualidade dos ganhos afinados. Os resultados mostram a execução de todas as funções da forma pretendida e sugerem que os ganhos foram afinados de forma adequada, provando o sucesso do algoritmo proposto. Trabalhos futuros incluem testar o sistema no mundo real, actualizar o algoritmo para um Double Q- learning, e adicionar uma Rede Neuronal para processamento de imagem do ambiente.
Keywords: Aprendizagem Autónoma, Reinforcement Learning, Veı́culos Autónomos, Inteligência Artificial, Q-Learning

Discussão: dezembro 22, 2021, 10:0