Autonomous vehicle control using reinforcement learning
Otonom bir aracın pekiştirmeli öğrenme ile kontrolü
- Tez No: 661583
- Danışmanlar: DOÇ. DR. ATİLLA ÖZMEN, PROF. DR. TÜLAY YILDIRIM
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Kadir Has Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 72
Özet
Otonom araçlar, yapay zekanın uygulandığı önemli bir araştırma konusu haline geldi. Araştırmalar yoğunlaştıkça yapay zeka algoritmalarının farklı alanlardaki uygulamaları ile insan müdahalesi, zaman, enerji, kontrol gibi faktörlerin değişimine bağlı olarak sistemlerin çalışma mekanizmalarının ve hedeflerine varış doğrultularının daha optimal bir sonuca ulaştırdığı görülmektedir. Derin öğrenme ve makine öğrenme algoritmalarının farklı durum ve koşullarda avantaj ve dezavantajları olduğu görülmüştür. Derin öğrenme algoritmaları yüksek miktarda veriye ihtiyaç duyduğundan, çevreden gelen deneyimlerle hareket eden ve ödül-ceza sistemine dayanan takviye öğrenme modeli üzerine çalışmalar yakın zamanda yoğunlaşmıştır ve bazı çarpıcı sonuçlar elde edilmiştir. Takviye öğrenimi, çevre ile etkileşim ve hatalarından öğrenme yoluyla makineleri öğretmek için kullanılabilecek güçlü bir AI paradigması olarak kabul edilir. Bu tez çalışmasında pyglet simülasyon aracı kullanılarak oluşturulmuş iki boyutlu bir araç senaryosu baz alınarak bir ortam oluşturulmuştur. Bu ortam üzerinde Q-Learning, SARSA ve Deep Q-Network (DQN) gibi farklı pekiştirici öğrenme algoritmalarının karşılaştırmalı bir simülasyon çalışması sunulmaktadır. Bu karşılaştırmayı yaparken belirli bir öğrenme kriteri eklenmiştir ve ayrıca epsilon değeri, step sayısı gibi parametreler değiştirilerek training ve test aşamalarındaki değişiklikler analiz edilmiştir. Bu çalışma için simülatör programı tarafından sağlanan aktörler (ajan, sensör, engeller vb.) ile desteklenmiştir. Sensörler tarafından sağlanan geri bildirim yoluyla, pekiştirmeli öğrenme ajanı, kendini bu algoritmaları baz alarak eğiterek belirli bir alanla sınırlı ortamı keşfetmek için bir hareket stratejisi belirler.
Özet (Çeviri)
Autonomous vehicles have become an important research topic where artificial intelligence is applied. As the research increases, by means of the applications of artificial intelligence algorithms in different areas, enable the working mechanisms of the systems to become more optimal due to the change of factors such as human power, time, energy and control. It has been observed that deep learning and machine learning algorithms have advantages and disadvantages in different situations and conditions. Since deep learning algorithms require large amounts of data, studies on the reinforcement learning model based on the experience from the environment and based on the reward-punishment system have recently concentrated and some striking results have been obtained. Reinforcement learning is considered a powerful AI paradigm that can be used to teach machines through interaction with the environment and learning from their mistakes. In this thesis, an environment was created based on a two-dimensional vehicle scenario created using a pyglet simulation tool. A comparative simulation study of different reinforcement learning algorithms such as Q-Learning, SARSA and Deep Q-Network (DQN) is presented on this environment. While making this comparison, a certain learning criterion was added, and also, parameters such as epsilon value, step number were changed, and changes in training and test stages were analyzed. For this study, the actors (agent, sensor, obstacles etc.) provided by the simulator program were supported. Through the feedback provided by the sensors, the reinforcement learning agent trains himself on the basis of these algorithms and determines a movement strategy to explore the environment limited to a specific area.
Benzer Tezler
- Path planning using reinforcement learning methods
Pekiştirmeli öğrenme metotlarını kullanarak yol planlama
EMRE TAŞCIOĞLU
Yüksek Lisans
İngilizce
2023
Savunma ve Savunma TeknolojileriGebze Teknik ÜniversitesiSavunma Elektroniği Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET GÜNEŞ
- Applications of deep reinforcement learning for advanced driving assistance systems
İleri sürüş destek sistemleri için derin pekiştirmeli öğrenme uygulamaları
MUHARREM UĞUR YAVAŞ
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Ana Bilim Dalı
DOÇ. DR. TUFAN KUMBASAR
- Model reference adaptive controller design with augmented error method for lane tracking
Serit takibi kontrolü için artıtılmış hata yöntemi ile model referans uyarlanabilir kontrolör tasarımı
MEHMET NURİ DİYİCİ
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. YAPRAK YALÇIN
- Bir insansız hava aracının modellenmesi ve derin pekiştirmeli öğrenme tabanlı otonom kontrolü
Modeling of an unmanned aerial vehicle and autonomous control based on deep reinforcement learning
BURAK TAŞ
Yüksek Lisans
Türkçe
2023
Savunma ve Savunma TeknolojileriFırat ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
PROF. DR. AYŞEGÜL UÇAR
- The navigation of an autonomous car using deep convolutional neural network and lidar measurements
Derin dönüşümlü sinir ağı ve lıdar ölçümleriyle otonom bir arabanın navigasyonu
AZEEZ FOLAYEMI ADEBAYO
Yüksek Lisans
İngilizce
2022
Mekatronik MühendisliğiKocaeli ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. HÜSEYİN METİN ERTUNÇ