Conducción autónoma de un vehículo en un simulador mediante CNN

Abstract

Este trabajo elabora una comparativa entre distintos modelos de Redes Neuronales Convolucionales (CNN - Convolutional Neural Network), comprobando su desempeño a la hora de controlar de forma autónoma un vehículo en un entorno simulado. Para ello se obtienen datos de conducción de dicho entorno mediante conducción manual como valor verdadero (ground-truth), se elaboran distintos modelos de red neuronal con diversos niveles de complejidad y se entrenan con los datos previamente obtenidos usando técnicas de aprendizaje profundo fin a fin (End-to-End). Una vez entrenadas dichas redes se ponen a prueba en el simulador de conducción, comprobando la capacidad de mantener el vehículo próximo al centro del carril y su ángulo de cabeceo. Las redes neuronales serán evaluadas en función a dichos parámetros. Finalmente, se extraerán conclusiones del funcionamiento de los distintos modelos en base a los parámetros indicados con el objeto de encontrar la CNN óptima para la aplicación desarrollada.

This work makes a comparison between different Convolutional Neural Network models, testing its performance when it leads a self-driving car in a simulated environment. To do so, driving data has been obtained manually driving the simulator as ground truth and different network models with diverse complexity levels has been created and trained with the data previously obtained using end-to-end deep learning techniques. Once this CNNs are trained, they are tested in the driving simulator, checking their ability of keeping the car near to the center of the road and its heading error. The neural networks will be evaluated according to these parameters. Finally, conclusions will be drawn about the performance of the different models according to the parameters mentioned before in order to find the optimum CNN for the developed application.