標題: 機器學習在自動駕駛小車的應(yīng)用設(shè)計（共41頁pdf下載） [打印本頁]
作者: sdf535    時間: 2018-12-8 15:44
標題: 機器學習在自動駕駛小車的應(yīng)用設(shè)計（共41頁pdf下載）
項目目標
利用車載攝像頭獲取車輛前方的圖像信息，采用人工神經(jīng)網(wǎng)絡(luò)分析圖像數(shù)據(jù)，控制車輛轉(zhuǎn)向和速度，使車輛平穩(wěn)、快速到達終點。
基本要求
采用人工智能算法
利用Matlab等編程工具
基于視覺圖像實現(xiàn)車輛方向控制
考核方式
每5人為一組，組內(nèi)各成員協(xié)作；
根據(jù)是否能到達終點、運行速度等確定成績。


每兩組一套小車
1#小車： 第1組-第2組
2#小車： 第3組-第4組
…
10#小車：第19組-第20組
每套小車包括：
小車（含控制器）一輛
攝像頭一個
操縱桿一個
充電器一個
賽道一張



• 使用事項：
安全使用事項
• 禁止在宿舍給電池充電；
• 禁止將電池充電、放電口對插；
• 小車不能邊充電邊使用；
• 電池充電時，充電器指示燈亮紅燈，充滿時亮綠燈，充電完成后應(yīng)及時拔掉充電器和電源，避免電池損壞；
小車電池采用直插式充電，充電器接口直接插入電池的充電接口即可充電；
各小車略有差異，可采用自己訓練時的小
車參加比賽
有任何問題及時與助教、老師聯(lián)系愛護教學設(shè)施，人為損壞需照價賠償

Step1：掌握圖像獲取、轉(zhuǎn)向控制等基本操作
Step2：根據(jù)采集到的圖像，并利用操縱桿操縱，獲取訓練樣本
Step3：設(shè)計神經(jīng)網(wǎng)絡(luò)控制結(jié)構(gòu)，訓練神經(jīng)網(wǎng)絡(luò)
Step4：利用神經(jīng)網(wǎng)絡(luò)算法進行控制



Step1：基本操作
小車使用
• 小車開機30秒后，搜索WIFI，連接Auto_CAR_n（n表示第幾號小車），密碼：123456789
• 成功連接后，即可通過計算機接收攝像頭采集到的圖像，并發(fā)送小車運動指令。

Step1：基本操作
Matlab相關(guān)操作
• 需使用Matlab 2016及以后版本，建議使用Matlab 2018版；
• 安裝支持包——在MATLAB 附加功能
中 獲取附加功能 MATLAB Support
Package for IP Cameras





Matlab相關(guān)操作
• 獲取操縱桿數(shù)據(jù)：
Ø創(chuàng)建操縱桿對象
joy = vrjoystick(1) %根據(jù)系統(tǒng)硬件情況或許是其他值
Ø獲取操縱桿某一軸的值%為-1～1的一個浮點數(shù)
axis(joy,1)
Ø獲取操縱桿某一按鍵的值%1為按下，0為釋放
button(joy, 1)


Step3：訓練網(wǎng)絡(luò)
根據(jù)訓練函數(shù)需求，設(shè)置訓練參數(shù)，準備輸入輸出數(shù)據(jù)
• 訓練目標最小誤差
• 訓練次數(shù)
• 學習速率
• 使用函數(shù)
• oneVsAll(X, y, num_labels, lambda)
• Matlab神經(jīng)網(wǎng)絡(luò)工具箱

Step4：利用神經(jīng)網(wǎng)絡(luò)算法進行
初始化攝像頭連接
初始化小車控制連接
初始化操縱桿
將圖像數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)
將神經(jīng)網(wǎng)絡(luò)輸出作為方向控制數(shù)據(jù)發(fā)送到小車
• PREDICT(Theta1, Theta2, X)；%outputs the predicted label of X given the trained weights of a neural network (Theta1, Theta2)
• sim(net,input); %調(diào)用matlab神經(jīng)網(wǎng)絡(luò)工具箱自帶的sim函數(shù)得到網(wǎng)絡(luò)的預測值
注意事項：
• 數(shù)組、向量維度、數(shù)組向量的轉(zhuǎn)置操作
• 神經(jīng)網(wǎng)絡(luò)的輸入輸出與操縱桿輸入、小車控制數(shù)據(jù)的格式要匹配

如何設(shè)計機器學習系統(tǒng)或者提升機器學習系統(tǒng)的性能？


機器學習算法診斷與評估
• 通過執(zhí)行測試，深入了解學習算法是否有用，以及如何去提升算法的性能。
注意：
算法的診斷需要較長時間，但能指導算法調(diào)試的方法。





模型偏差、方差評估
Ø 偏差
根據(jù)樣本擬合出的模型的輸出預測結(jié)果的期望與樣本真實結(jié)果的差距，度量了學習算法的期望預測與真實結(jié)果的偏離程度, 即᧿述了學習算法本身的擬合能力。
Ø 方差
述的是樣本上訓練出來的模型的表現(xiàn)，度量了同樣大小的訓練集的變動所導致的學習性能的變化, 即述了數(shù)據(jù)擾動所造成的影響。



采用已由正則化線性回歸方法預測
• 更多的訓練實例——解決高偏差
• 減少特征數(shù)量——解決高偏差
• 獲得更多特征——解決高方差
• 增加多項式特征——解決高方差
• 減少歸一化程度 λ——解決高方差
• 增加歸一化程度 λ——解決高偏差
對新樣本的偏差較大，如何改進算法的預測性能？


完整的pdf格式文檔51黑下載地址（共41頁）：
機器學習應(yīng)用系統(tǒng)設(shè)計.pdf (13.17 MB, 下載次數(shù): 48)


作者: admin    時間: 2018-12-9 02:58
好資料，51黑有你更精彩!!!
作者: 只有一個人0007    時間: 2020-8-2 09:04
很有啟發(fā)，感謝
作者: 421688337    時間: 2020-9-14 09:50
不錯，從原理出發(fā)



歡迎光臨 (http://www.torrancerestoration.com/bbs/) Powered by Discuz! X3.1