Efficient Learning of Pre-attentive Steering in a Driving School Framework

Abstract

Autonomous driving is an extremely challenging problem and existing driverless cars use non-visual sensing to palliate the limitations of machine vision approaches. This paper presents a driving school framework for learning incrementally a fast and robust steering behaviour from visual gist only. The framework is based on an autonomous steering program interfacing in real time with a racing simulator (TORCS): hence the teacher is a racing program having perfect insight into its position on the road, whereas the student learns to steer from visual gist only. Experiments show that (i) such a framework allows the visual driver to drive around the track successfully after a few iterations, demonstrating that visual gist is sufficient input to drive the car successfully; and (ii) the number of training rounds required to drive around a track reduces when the student has experienced other tracks, showing that the learnt model generalises well to unseen tracks.

Pengaplikasian Kalman Filter sebagai Pengendali dalam Permainan The Open Racing Car Simulator (TORCS)

“…Selama delapan tahun terakhir (sejak 2012), permodelan sensor dan aktuator dalam SCR Server menjadi landasan mayoritas para peneliti dalam mengembangkan pengendali dengan beberapa pendekatan kecerdasan buatan yang berbeda pada beberapa jurnal, seperti diantaranya [23] dimana pengendali mengandalkan penglihatan visual untuk mengendalikan mobil untuk mengitari sirkuit dengan sukses setelah beberapa iterasi serta memberikan visualisasi pergerakan yang dilalui oleh modul pengajar (pemain) dan modul siswa (pengendali) dalam satu sirkuit penuh, [8] dimana vektor fitur terkomputasikan oleh pengendali recurrent neural network (RNN) dengan metode Neuroevolution (NE), dan [17] dimana pendekatan persepsi langsung dilakukan untuk mengestimasikan kelayakan untuk mengemudi menggunakan convolutional neural network menggunakan rekaman berkendara virtual manusia dalam selama 12 jam. Selain itu, [13] serta [16] mengembangkan pengendali berbasis logika fuzzy dengan pendekatan yang berbeda; arsitektur dalam [13] bertujuan untuk mengimplementasikan strategi penghindaran dan penyalipan pemain lawan dengan strategi penghadangan berbeda sementara arsitektur dalam [16] mengkalkulasikan input kemudi dan komputasi kecepatan target secara bersamaan dalam mengemudikan mobil dimana kedua fungsi tersebut dikembangkan sebagai dua sub-pengendali terpisah [5] mempraktekan teknik penyalipan dan penghadangan pengendali yang dikembangkan menggunakan sirkuit dan pemain lawan yang disediakan TORCS.…”