Autonomous driving by neural networks

Abstract

O desenvolvimento de sistemas autónomos móveis é cada vez mais um objeto de estudo e investigação nos dias de hoje, pois o seu propósito passa por ajudar o ser humano a realizar as mais diversas atividades do seu dia-a-dia com maior certeza, reduzindo assim o erro humano. O automóvel é algo muito utilizado na sociedade atual e, a autonomização da condução teria, para além de um grande impacto social, um impacto numa indústria internacional que se encontra em constante desenvolvimento. Neste sentido, esta dissertação apresenta uma possível solução de um sistema capaz de realizar a tarefa de condução, num percurso específico (pista) num ambiente simples e controlado, com diferentes condicionantes tais como: passadeiras, cruzamentos e obstáculos. Deste sistema faz parte o carro/robô, uma rede neuronal treinada por um método de Aprendizagem Supervisionada, cuja entrada é uma imagem (retirada da câmara) sendo as saídas a velocidade e direção que o veículo deve tomar, e um software de controlo em visão por computador que é utilizado para treinar e corrigir a rede neuronal. A pista, objetos simulados e algumas regras para o controlo, têm por base a prova de Condução Autónoma do Festival Nacional de Robótica. Para efeitos de testes foi desenvolvido um ambiente em simulação, através do CoppeliaSim, o qual contém: a pista com todos os elementos necessários (passadeira, semáforo, obstáculos, etc) e o carro/robô/agente com uma câmara, dois motores de tração e um sistema de direção. Esta dissertação demonstrou a possibilidade de controlar um carro autónomo usando uma rede neuronal treinada a partir de um dataset gerado por um algoritmo tradicional de visão por computadores. Esta abordagem mostrou-se robusta e prática, exigindo ajustes mínimos para a transição para a pista de tamanho real e resultou numa experiência bem-sucedida.

Nowadays, autonomous mobile systems development is becoming an increasingly relevant studying field, as their purpose is to help humans performing more accurately a variety of daily activities. The automation of an activity, widely used in today's society, such as driving would have an impact on an international industry that is constantly expanding in addition to a great social impact. In that regard, this dissertation presents a possible solution for a system with the ability to complete a specific track in a simple and controlled environment. This system includes the car/robot, a neural network trained by a Supervised learning method that has an image (taken from the car camera) as input and, velocity and direction that the robot should take as outputs, and a computer vision software used to collect data for the neural network. The track, simulated objects, and some rules are based on the Autonomous Driving competition in Festival Nacional de Robótica. For testing purposes, a simulated environment was created, through CoppeliaSim, which includes: the main track, with all the elements required (crosswalk, traffic light, obstacles, etc) and the car/robot/agent with a camera, two motors for velocity and a steering method. This dissertation demonstrates the possibility of steering an autonomous car using a neural network model created from a computer vision algorithm-generated dataset. This approach proved to be both robust and practical, requiring minimal adjustments for the transition to the real-life track, and resulted in a successful experience.