Autonomes Fahrzeug basierend auf Deep Q-Learning und YOLOv3 mit Datenaugmentation

Dieses Papier präsentiert ein Modell, das den Menschen in allen Aspekten des Fahrens imitiert, ohne menschliches Eingreifen, insbesondere beim Erkennen der Fahrzeugzustände. Es integriert die Fahrzeuggeschwindigkeit, die zu verfolgende Position und die umgebenden Umwelten basierend auf einer Kombination aus Deep Q-Learning und YOLOv3 auf dem Raspberry Pi Computer. Das Lernen der Umwelt erfolgt durch Deep Q-Learning. Daten können mit dem Raspberry Pi und einer nach vorne gerichteten Kamera gesammelt werden. Ein DNN-Modell mit Deep Q-Learning wird trainiert, um hohe Leistungsfähigkeit in Erkennungs- und Kontrollaufgaben zu erreichen. Deep Q-Learning nähert die Werte unter Verwendung von Deep Neural Networks (DNN) an. Das neuronale Netzwerk nimmt den Anfangszustand als Eingabe und gibt den Q-Wert aller möglichen Aktionen als Ausgabe zurück. Deep Q-Learning behandelt Korrelationen zwischen Proben und nicht-stationär durch Erfahrungsspeicherung und feste Q-Ziele. YOLOv3 mit Datenaugmentation wird verwendet, um stationäre und bewegliche Objekte, Ampeln und Verkehrsschilder zu erkennen. YOLOv3 hat die Vorhersage von Begrenzungsrahmen verbessert, präzisere Klassenprognosen und verbesserte Fähigkeiten auf unterschiedlichen Skalen und ist viel schneller. Es lässt sich leicht optimieren, da es auf Algorithmen basiert, die nur ein neuronales Netzwerk verwenden, um alle Aufgabenkomponenten auszuführen. YOLOv3, zusammen mit Datenaugmentation, erhöht die Datenvielfalt erheblich, ohne tatsächlich neue Trainingsdaten zu sammeln.