Využití posilovaného učení při autonomním řízení automobilů v simulátoru CARLA

Abstract

Tato práce se zaměřuje na výzkum možností autonomního řízení v simulátoru CARLA. Shrnuje klíčové myšlenky a přístupy, které vedou k úspěšnému využití neuronových sítí pro řízení vozidla. Představuje přehled nejúčinnějších algoritmů a metod, ze kterých se moderní řešení skládají. Cílem práce je navrhnout a implementovat modulární systém pro autonomní řízení založený na posilovaném učení. Je zde definována architektura systému, která popisuje úlohy jednotlivých modulů a způsob jejich vzájemné komunikace. Na základě navržené architektury byly jednotlivé moduly samostatně implementovány. U některých modulů jsou porovnány různé přístupy, jiné jsou vyhodnoceny v rámci jediné implementace. Hlavní snahou je co nejvíce zjednodušit vnímání okolního světa tak, aby bylo možné využít algoritmy posilovaného učení, které dosud nebyly v prostředí simulátoru CARLA dostatečně prozkoumány.

This thesis focuses on researching the possibilities of autonomous driving in the CARLA simulator. It summarizes the key ideas and approaches that lead to the successful use of neural networks for vehicle control. It presents an overview of the most effective algorithms and methods that comprise modern solutions. The aim of the paper is to design and implement a modular system for autonomous driving based on reinforcement learning. A system architecture is defined, describing the roles of each module and how they communicate with each other. Based on the proposed architecture, the individual modules have been implemented independently. For some modules, different approaches are compared, while others are evaluated in a single implementation. The main aim is to simplify the perception of the surrounding world as much as possible in order to use reinforcement learning algorithms, which have not been sufficiently explored in the CARLA simulator environment.