0 calificaciones0% encontró este documento útil (0 votos)
14 vistas1 página
Este artículo analiza el uso de redes neuronales convolucionales (CNN) para controlar vehículos autónomos mediante la detección de peatones, vehículos y el entorno. Los investigadores entrenaron un controlador CNN usando datos de simulación y características de imágenes relacionadas con el cielo, la carretera y los bordes. Los experimentos mostraron que las características de la carretera son indispensables para entrenar al controlador y mejorar su generalización, mientras que las del cielo tuvieron una contribuc
Este artículo analiza el uso de redes neuronales convolucionales (CNN) para controlar vehículos autónomos mediante la detección de peatones, vehículos y el entorno. Los investigadores entrenaron un controlador CNN usando datos de simulación y características de imágenes relacionadas con el cielo, la carretera y los bordes. Los experimentos mostraron que las características de la carretera son indispensables para entrenar al controlador y mejorar su generalización, mientras que las del cielo tuvieron una contribuc
Este artículo analiza el uso de redes neuronales convolucionales (CNN) para controlar vehículos autónomos mediante la detección de peatones, vehículos y el entorno. Los investigadores entrenaron un controlador CNN usando datos de simulación y características de imágenes relacionadas con el cielo, la carretera y los bordes. Los experimentos mostraron que las características de la carretera son indispensables para entrenar al controlador y mejorar su generalización, mientras que las del cielo tuvieron una contribuc
En este artículo se analiza la influencia de las características en el rendimiento de
controladores usando las redes neuronales convolucionales (CNN), para abordar problemas en los vehículos autónomos, como la detección y clasificación de peatones y vehículos y la percepción del entorno. Además, los investigadores han implementado CNN para un marco integral de aprendizaje de un controlador de vehículo autónomo. Se recopilan un gran conjunto de datos utilizando el software The Open Racing Car Simulator (TORCS) y se clasifican las características de la imagen en tres categorías (relacionadas con el cielo, con la carretera y con los bordes de la carretera). Luego se diseñaron dos marcos experimentales para investigar la importancia de cada característica para entrenar el controlador CNN. El primer marco utiliza los datos de entrenamiento con las tres funciones incluidas para entrenar a un controlador, que luego se prueba con datos a los que se ha eliminado una función para evaluar los efectos de la función. El segundo marco se entrena con los datos que tienen una característica excluida, mientras que las tres características se incluyen en los datos de prueba. Se seleccionan diferentes escenarios de conducción para probar y analizar a los controladores entrenados utilizando los dos marcos experimentales. Los resultados del experimento muestran que las características relacionadas con la carretera son indispensables para entrenar al controlador, que las características relacionadas con la carretera son útiles para mejorar la generalización del controlador a escenarios con información complicada de la carretera y que las características relacionadas con el cielo tienen una contribución limitada para capacitar a un controlador de vehículo autónomo de extremo a extremo. La principal contribución de este trabajo es proponer un marco para el análisis y la selección de características, que generalmente se puede utilizar para reducir el costo computacional para entrenar controladores basados en aprendizaje profundo de vehículos autónomos de extremo a extremo.