توضیحات
ABSTRACT
Autonomous taxies are in high demand for smart city scenario. Such taxies have a well specified path to travel. Therefore, these vehicles only required two important parameters. One is detection parameter and other is control parameter. Further, detection parameters require turn detection and obstacle detection. The control parameters contain steering control and speed control. In this paper a novel autonomous taxi model has been proposed for smart city scenario. Deep learning has been used to model the human driver capabilities for the autonomous taxi. A hierarchical Deep Neural Network (DNN) architecture has been utilized to train various driving aspects. In first level, the proposed DNN architecture classifies the straight and turning of road. A parallel DNN is used to detect obstacle at level one. In second level, the DNN discriminates the turning i.e. left or right for steering and speed controls. Two multi layered DNNs have been used on Nvidia Tesla K 40 GPU based system with Core i-7 processor. The mean squared error (MSE) for the detection parameters viz. speed and steering angle were 0.018 and 0.0248 percent, respectively, with 15 milli seconds of realtime response delay.
INTRODUCTION
In the early 1920s the first attempt was made towards driverless vehicles and got momentum in the 1980s when researchers managed to develop automated highway systems . After this many work towards semi-autonomous and autonomous vehicles were made largely in Germany and U.S. The U.S. defense agency, Defense Advanced Research Projects Agency (DARPA), which is responsible for the development of emerging technologies organized driverless car competition many times which also encourage the research in the direction of autonomous vehicle navigation. Renowned car manufacturers like, Bavarian Motor Works (BMW), Ford, General Motors (GM), Google/ .Waymo, and Tesla are also trying to build autonomous cars
چکیده
تاکسون های مستقل تقاضای زیادی برای سناریو شهر هوشمند دارند. چنین تاکسی مسیری مشخص برای سفر دارد. بنابراین، این وسایل تنها دو پارامتر مهم را به کار بردند. یکی پارامتر تشخیص است و دیگری پارامتر کنترل است. علاوه بر این، پارامترهای تشخیص نیاز به تشخیص چرخش و تشخیص مانع دارند. پارامترهای کنترل حاوی کنترل فرمان و کنترل سرعت است. در این مقاله، یک مدل تاکسی مستقل برای سناریوی شهر هوشمند ارائه شده است. یادگیری عمیق برای مدل سازی توانایی راننده انسان برای تاکسی مستقل مورد استفاده قرار گرفته است. معماری سلسله مراتبی عمیق شبکه عصبی (DNN) برای آموزش جنبه های مختلف رانندگی مورد استفاده قرار گرفته است. در سطح اول، معماری DNN پیشنهادی، راست و چارچوب جاده را طبقه بندی می کند. DNN موازی برای شناسایی مانع در سطح اول استفاده می شود. در سطح دوم، DNN چرخش e.e. چپ یا راست برای کنترل فرمان و سرعت را تشخیص می دهد. دو سیستم DNN چند لایه در سیستم مبتنی بر GPU Nvidia Tesla K40 با پردازنده Core i-7 استفاده شده است. خطای متوسط مربع (MSE) برای پارامترهای تشخیص یعنی سرعت و زاویه فرمان به ترتیب 0.018 و 0.0248 درصد به ترتیب با 15 میلی ثانیه ثانیه تاخیر پاسخ در زمان واقعی است.
مقدمه
در اوایل دهه 1920 اولین تلاش برای استفاده از وسایل نقلیه بدون سرنشین صورت گرفت و در دهه 1980، هنگامی که پژوهشگران توانستند سیستم های خودکار بزرگراه را توسعه دهند، در حال حرکت بودند. پس از این، بسیاری از کارهای مربوط به وسایل نقلیه نیمه مستقل و خودمختار به طور عمده در آلمان و ایالات متحده انجام شد. سازمان دفاع ایالات متحده، آژانس پروژه های تحقیقاتی پیشرفته دفاع (DARPA)، که مسئول توسعه تکنولوژی های نوظهور است، تحقیق در جهت ناوبری وسایل نقلیه مستقل. سازندگان مشهور خودرویی مانند Bavarian Motor Works (BMW)، فورد، جنرال موتورز (GM)، گوگل / وایمو و تسلا نیز در حال تلاش برای ایجاد خودروهای خودمختار هستند
Year: ۲۰۱۸
Publisher : ELSEVIER
By : NS Rajput, Mukesh, A Mishra, A Sisodia . I Makarov
File Information: English Language/ 4 Page / size: 651 kB
سال : ۱۳۹۶
ناشر : ELSEVIER
کاری از : NS Rajput، Mukesh، A Mishra، A Sisodia، I Makarov
اطلاعات فایل : زبان انگلیسی / 4 صفحه / حجم : KB 651
نقد و بررسی‌ها
هیچ دیدگاهی برای این محصول نوشته نشده است.