剖析学习型避障小车的设计思路深圳光环大数据.pdf

光环大数据--大数据培训人工智能培训 剖析学习型避障小车的设计思路_深圳光环大数据 项目综述 整个项目由三个部分组成： 1. 训练场设计 包括：随机障碍，固定障碍，边界碰撞检测 2. 汽车模型 包括：传感器，规则学习 3. 学习的算法 包括：基于表的算法和基于神经网络的算法 项目组成示意图： 依赖和代码概述 Python 依赖 该项目是在Python 环境中开发的，用到5 个关键Python 模块： 光环大数据 光环大数据--大数据培训人工智能培训 前三个模块用于执行基本的数学计算，例如距离测量，碰撞检测，角位移等。 “keras”模块用于神经网络算法，使用“Tensorflow”后端。 “pygame”模块 用于创建训练内容和汽车对象以获取用于学习的数据。 代码概述 本项目代码基构成如下： 名字类型描述Main.py 执行脚本程序入口Chart_creator.py 执行脚本创建 图表和统计数据Geometry_func.py 类用于地理计算的类，如距离，碰撞检测等 等Obstacle.py 类用于在固定路径上模拟4 个方形障碍物Obstacle_.py 类用于 在随机路径上模拟多个障碍物 Base_qlearner.py 类一个基于表的 q 学习实现 光环大数据 光环大数据--大数据培训人工智能培训 Random_qlearner.py 类在基于表的q 学习上增添随机选择Nn_qlearner.py 类一 个基于神经网络的q 学习实现Car.py 类创建一部具有传感器的小车 关键组件 a.训练场 训练场的最终设计具有两种不同类型的障碍物。 –固定移动方向的障碍物 在轨道上的一个点周围有4 个较大的正方形，其以训练场中心作为盘中心。 这些方块以固定的角速度和固定的模式移动。 –随机移动障碍物 在训练场中以不同的速度在随机方向上运动的20 个较小的正方形。靠近训 练场的边缘之后，会拉回训练场中。 一开始，训练场只有固定的障碍物。这时汽车学得非常快，它的生存时间在 3 万多次试验后能超越3 小时。但是这并不意味它已毕业。因为单调的驾驶模式 远不能被应用到更复杂的训练场。因此还要增添更复杂的障碍设计。 b.训练小车 光环大数据 光环大数据--大数据培训人工智能培训 模拟车具有如图(a)所示的圆形形状。为了将汽车附近的环境转换成数字并 将它们存储到Python 字典中，这里将使用十个传感器来探测汽车到任何对象的 距离，包括5个前传感器和5个后传感器，从而尽可能接近真实环境的复杂路况。 汽车有五种移动模式： –向前 –右前 –左前 –右转 –左转 图(a) 五向运动示意图： 训练脚本的规则学习可作如下改进： –汽车围绕训练场逐帧移动。 –每当汽车碰到周边或障碍物，它将被重置，并回到它的原始点。 –汽车有三个动作：左转，右转，直走。 –10 个传感器的探测区域将向外扩展以感知汽车和障碍物之间的距离，组 成状态空间。 C.学习算法 我在这里用来训练小车的方法是增强学习。 增强学习是借鉴于动物学习研 光环大数据 光环大数据--大数据培训人工智能培训 究，也与控制工程学习自动机的理论有关。 它是一种基于试验和错误的学习技 术，核心是通过与环境的重复交互以解决复杂的任务，系统