but.committee	prof. Dr. Ing. Jan Černocký (předseda) doc. Ing. Lukáš Burget, Ph.D. (místopředseda) doc. RNDr. Milan Češka, Ph.D. (člen) Ing. Michal Hradiš, Ph.D. (člen) Ing. Jaroslav Rozman, Ph.D. (člen) doc. Ing. František Zbořil, CSc. (člen)	cs
but.defence	Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm B. Otázky u obhajoby: Je možné srovnat Váš systém s jinými systémy a pokud ano, jak si obstojí Váš 'perfektně naučený' systém, jak občas píšete, vůči těmto? Platí vztah 2.9 pro všechny politiky PI? Můžete toto demonstrovat s použitím vztahů 2.7 a 2.8?	cs
but.jazyk	čeština (Czech)
but.program	Informační technologie a umělá inteligence	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Janoušek, Vladimír	cs
dc.contributor.author	Vosol, David	cs
dc.contributor.referee	Zbořil, František	cs
dc.date.accessioned	2022-06-24T06:55:48Z
dc.date.available	2022-06-24T06:55:48Z
dc.date.created	2022	cs
dc.description.abstract	Tato práce se zabývá problematikou posilovaného učení aplikovaného na úlohu autonomního řízení vozidla. Nejprve je probrána nezbytná teorie posilovaného učení, která je zakončena představením nejmodernějších aktor-kritik metod. Z nich je vybrána metoda Proximal Policy Optimization , která je následně aplikována na tuto úlohu. Pro tento účel je také zvolen závodní simulátor TORCS. Naším cílem je naučit v simulovaném prostředí agenta autonomně řídit, s ohledem na jeho budoucí aplikaci v reálném prostředí v podobě zmenšeného RC modelu vozidla. Za tímto účelem jsou simulovány podmínky vzdáleného učení a ovládání vozidla v cloudu a to v podobě simulace ztráty paketů s daty od senzorů a aktuátorů nebo simulace zašuměných dat. Také jsou provedeny experimenty s cílem zjistit nejmenší počet senzorů, se kterým je agent schopen se úlohu naučit. Dále je experimentováno s využitím výstupu kamery vozidla. Jsou představeny různé návrhy architektur systému, mimo jiné i se zaměřením na co nejnižší hardwarové požadavky. Na závěr jsou prozkoumány vlastnosti naučeného agenta z pohledu generalizace v neznámém prostředí.	cs
dc.description.abstract	This thesis is focused on the topic of reinforcement learning applied to a task of autonomous vehicle driving. First, the necessary fundamental theory is presented, including the state-of-the-art actor-critic methods. From them the Proximal policy optimization algorithm is chosen for the application to the mentioned task. For the same purpose, the racing simulator TORCS is used. Our goal is to learn a reinforcement learning agent in a simulated environment with the focus on a future real-world application to an RC scaled model car. To achieve this, we simulate the conditions of remote learning and control in the cloud. For that, simulation of network packet loss, noisy sensory and actuator data is done. We also experiment with the least number of vehicle's sensors required for the agent to successfully learn the task. Experiments regarding the vehicle's camera output are also carried out. Different system architectures are proposed, among others also with the aim to minimize hardware requirements. Finally, we explore the generalization properties of a learned agent in an unknown environment.	en
dc.description.mark	B	cs
dc.identifier.citation	VOSOL, D. Aplikace posilovaného učení v řízení autonomního vozidla [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2022.	cs
dc.identifier.other	145474	cs
dc.identifier.uri	http://hdl.handle.net/11012/207873
dc.language.iso	cs	cs
dc.publisher	Vysoké učení technické v Brně. Fakulta informačních technologií	cs
dc.rights	Standardní licenční smlouva - přístup k plnému textu bez omezení	cs
dc.subject	posilované učení	cs
dc.subject	gradientní strategie	cs
dc.subject	aktor-kritik	cs
dc.subject	autonomní řízení vozidla	cs
dc.subject	TORCS	cs
dc.subject	neuronové sítě	cs
dc.subject	optimalizace blízké strategie	cs
dc.subject	PPO	cs
dc.subject	reinforcement learning	en
dc.subject	policy gradients	en
dc.subject	actor-critic	en
dc.subject	autonomous driving	en
dc.subject	TORCS	en
dc.subject	neural networks	en
dc.subject	proximal policy optimization	en
dc.subject	PPO	en
dc.title	Aplikace posilovaného učení v řízení autonomního vozidla	cs
dc.title.alternative	Application of Reinforcement Learning in Autonomous Driving	en
dc.type	Text	cs
dc.type.driver	masterThesis	en
dc.type.evskp	diplomová práce	cs
dcterms.dateAccepted	2022-06-21	cs
dcterms.modified	2022-06-23-09:13:59	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	145474	en
sync.item.dbtype	ZP	en
sync.item.insts	2022.06.24 08:55:48	en
sync.item.modts	2022.06.24 08:14:15	en
thesis.discipline	Strojové učení	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav inteligentních systémů	cs
thesis.level	Inženýrský	cs
thesis.name	Ing.	cs

Aplikace posilovaného učení v řízení autonomního vozidla

Files

Original bundle

Collections