Autonom körning i realtid

Abstract

Artificiell intelligens gör utvecklingen av autonom körning både effektiv och simpel. Att med hjälp av en kamera samla in data har visat sig ge tillräckligt mycket information för att en bil självständigt ska kunna följa en markerad linje. Då artificiell intelligens har ett brett användningsområde uppstår det problem om att veta vilka artificiella nätverk som passar bäst till ändamålet. Syftet med det här projektet var att analysera hur olika nätverk och datamängder påverkar körningen för att slutligen välja ut den kombination som bäst kunde köra runt en markerad bana på kortast träningstid. Bilen som användes var en JetRacer utrustad med en NVIDIA Jetson Nano enkortsdator. De olika nätverken tränades på bilder tagna ifrån bilens kamera för att sedan styra JetRacerns gaspådrag samt svängaxel. Då körningen skedde i realtid var det viktigt att nätverket kördes lokalt på enkortsdatorn för att minimera risken av fördröjningar då data skickas mellan enheter. Efter att ha jämfört fyra olika nätverk var det ResNet-18 som var mest effektiv på minst mängd data och klarade därför att köra framåt, vänster, höger samt stanna vid hinder runt en bana. Detta arbete utfördes som ett komplementerande projekt åt företaget Knightecs tidigare examensarbete inom utveckling av självkörande fordon. Som en förbättring för framtida projekt hade det varit intressant att utrusta bilen med en hastighetssensor som möjliggör körning i låga hastigheter.