據外媒報道，美國查爾斯頓學院（College of Charleston）數(shù)據科學專業(yè)的兩名學生在科技公司Logicalis的指導下，完成了競爭學習（人工神經網絡的一種學習方式），即利用邊緣強化學習（RL）計算，幫助自動駕駛汽車在行駛時辨別方向。

（圖片來源：DeepRacer汽車）

該團隊推出的系統(tǒng)，以物聯(lián)網（IoT）為基礎，采用Wi-Fi網聯(lián)軟件，利用亞馬遜云計算IaaS和PaaS平臺服務AWS的DeepRacer云控制臺，能夠與車輛進行通信，并且捕獲攝像頭圖像，以更好地了解車輛的路徑和位置，并且向其發(fā)送指令以改善加速和路徑選擇等性能。該團隊表示，他們研發(fā)的競爭學習能夠讓該系統(tǒng)的表現(xiàn)優(yōu)于基于AWS的模型。而且學生們研發(fā)的系統(tǒng)能夠讓車輛或其他設備了解其環(huán)境，并根據收集和解釋的數(shù)據，在邊緣（使用平板電腦或筆記本電腦）做出響應。

Starr和Turner都是數(shù)據科學專業(yè)的學生，他們參加了AWS DeepRacer項目（AWS發(fā)起的一項比賽，要求開發(fā)人員和科學家利用機器學習構建自動駕駛汽車），主要關注于為自動駕駛汽車研發(fā)和微調算法，從而能夠利用傳感器數(shù)據探測車輛位于哪個賽道上，并且利用此類數(shù)據以及機器學習，從基于云的軟件中無線分享信息、接收提示，讓自動駕駛汽車自己得到訓練，并在賽道上保持最高行駛速度。

在構建基于IoT的解決方案之前，該研究小組考慮了幾個選擇，首先在虛擬車輛上采用了該解決方案。該團隊獲取了DeepRacer汽車以及賽道beta仿真，然后開始研發(fā)和測試RL算法。學生們利用模擬車型，并且將車輛命名為Virtual Car 42 。然后，他們開始對模擬車輛進行測試，結果發(fā)現(xiàn)，在正確完成特定圈數(shù)的基礎上，他們研發(fā)的學習算法使其模擬車輛的表現(xiàn)優(yōu)于AWS DeepRacer汽車。例如，該算法可以識別路上的彎道，并且調整車輛的轉向和加速度，以盡可能快的速度在每條彎道上行駛。

2019年7月，該團隊在實體車上使用了該軟件。該實體車配備了車載攝像頭和加速度陀螺儀，能夠幫助識別車輛位置。學生們使用AWS Sage Maker機器學習平臺，AWS Robotmaker機器人仿真平臺通過WiFi或USB棒向車輛傳輸代碼，然后，研究小組可以利用iPad或計算機對車輛數(shù)據的輸入和輸出進行控制。

應用于Virtual Car 42的機器學習算法也可以用于其他設備，例如商業(yè)或工藝應用中的設備或車輛。例如，通過使用WiFi或其他無線網絡進行物聯(lián)網連接，設備可以利用傳感器捕捉并提供諸如預測性維護、圖像和聲音識別、監(jiān)控等信息，同時還支持自動駕駛。

返回第一電動網首頁 >