You signed in with another tab or window. Reload to refresh your session.You signed out in another tab or window. Reload to refresh your session.You switched accounts on another tab or window. Reload to refresh your session.Dismiss alert
Marko Vukotić R2 45/2023
Nedeljko Vignjević R2 32/2022
Definicija problema
Ideja ovog projekta je kreiranje sistema za autonomnu vožnju, baziranog na end-to-end pristupu. Sistem bi bio kreiran tako da radi u okviru CARLA simulatora. Ulaz u sistem bi bio frejm slike dobijene od strane CARLA simulatora, dok bi na izlazu za zadati frejm dobijali komandu za skretanje i vrednost brzine
Skup podataka
Skup podataka će biti prikupljen kroz CARLA simulator korišćenjem njihovog autopilot moda.
Metodologija
Što se modela neurosnkih mreža tiče ideja je da se naš end-to-end sistem sastoji iz 2 dela: vision modela i policy modela. Vision model bi trebalo da izdvoji sve karakteristike iz slike koje su neophodne za vožnju, a zatim da naš policy model na osnovu izlaza iz vision modela izvrši predikciju komande upravljanja i brzine.
Za vision model obučavaćemo primarno EfficientNetV2 arhitekturu.
Za policy model plan je da obučavamo arhitekturu zasnovanu samo na fully-connected slojevima.
Evaluacija
Za validaciju sistema koristićemo okruženje u CARLA simulatoru koje model nije imao priliku da vidi na obučavajućem skupu podataka. Podelićemo podatke na one za obučavanje i one za validaciju (80:20).
Još jedan način evaluacije rešenja biće nam merenje vremena koliko dugo model nije napravio grešku tokom vožnje.
The text was updated successfully, but these errors were encountered:
Tim
Marko Vukotić R2 45/2023
Nedeljko Vignjević R2 32/2022
Definicija problema
Ideja ovog projekta je kreiranje sistema za autonomnu vožnju, baziranog na end-to-end pristupu. Sistem bi bio kreiran tako da radi u okviru CARLA simulatora. Ulaz u sistem bi bio frejm slike dobijene od strane CARLA simulatora, dok bi na izlazu za zadati frejm dobijali komandu za skretanje i vrednost brzine
Skup podataka
Skup podataka će biti prikupljen kroz CARLA simulator korišćenjem njihovog autopilot moda.
Metodologija
Što se modela neurosnkih mreža tiče ideja je da se naš end-to-end sistem sastoji iz 2 dela: vision modela i policy modela. Vision model bi trebalo da izdvoji sve karakteristike iz slike koje su neophodne za vožnju, a zatim da naš policy model na osnovu izlaza iz vision modela izvrši predikciju komande upravljanja i brzine.
Za vision model obučavaćemo primarno EfficientNetV2 arhitekturu.
Za policy model plan je da obučavamo arhitekturu zasnovanu samo na fully-connected slojevima.
Evaluacija
Za validaciju sistema koristićemo okruženje u CARLA simulatoru koje model nije imao priliku da vidi na obučavajućem skupu podataka. Podelićemo podatke na one za obučavanje i one za validaciju (80:20).
Još jedan način evaluacije rešenja biće nam merenje vremena koliko dugo model nije napravio grešku tokom vožnje.
The text was updated successfully, but these errors were encountered: