Vehículo autónomo

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.