عنوان مقاله :
طراحي و پياده‌سازي كنترل‌كننده‌هاي عصبي يادگيرنده عميق در مقايسه با كنترل‌كننده‌هاي كلاسيك در كاربرد ماشين خودران
عنوان به زبان ديگر :
A comparison study of deep neural controllers and classic controllers in self-driving car application
پديد آورندگان :
محمدي، عباس دانشگاه اصفهان، اصفهان، ايران , جمشيدي، كمال دانشگاه اصفهان، اصفهان، ايران , شهبازي، حامد دانشگاه اصفهان، اصفهان، ايران , رضايي، مهران دانشگاه اصفهان، اصفهان، ايران
كليدواژه :
سيستم‌هاي فيزيكي- رايانشي , سيستم انسان در حلقه , يادگيري عميق , يادگيري عميق , كنترل انتها- به- انتها , ماشين خودران
چكيده فارسي :
در اين مقاله كنترل‌كننده‌هاي عصبي يادگيرنده عميق در كاربرد ماشين خودران كه يكي از معروفترين سيستم‌هاي انسان در حلقه است بررسي شده‌است. اين كنترل‌كننده مدرن با دو كنترل‌كننده معروف كلاسيك تناسبي- انتگرال- مشتقگير و كنترل پيشبين مدل، از نظر پارامترهاي كيفي وكمي مقايسه شده‌است. اين پارامترها انعكاس‌دهنده چالش‌هاي زمان طراحي شامل وابستگي به مدل و پارامترهاي طراحي؛ چالش‌هاي زمان پياده‌سازي شامل سهولت پياده‌سازي و بار محاسباتي؛ و همچنين پارامترهاي مهم در زمان اجرا در كاربرد ماشين خودران شامل دقت، سرعت، هزينه يا تلاش كنترلي، استهلاك و انرژي هستند. در روش پيشنهادي، بستري فراهم آورده شده‌است كه طراحان قادر باشند كنترل‌كننده‌هاي مدرن و كلاسيك را با يكديگر مقايسه نمايند. در روش پيشنهادي از كنترل‌كننده عصبي يادگيرنده عميق به صورت انتها- به- انتها كه ساختار آن متشكل از لايه‌هاي كانولوشن و لايه‌هاي تماما متصل است، به عنوان كنترل‌كننده مدرن استفاده شده‌است. اين كنترل‌كننده در ابتدا از رانندگي انسان مي‌آموزد سپس به عنوان كنترل‌كننده خودرو مورد استفاده قرار مي‌گيرد. عدم وابستگي اين كنترل‌كننده به مدل سيستم كنترل‌شونده (ماشين خودران) و محيط و همچنين قابليت يادگيري مهمترين مزيت آن است. از نقطه نظر پارامترهاي مهم در كنترل ماشين خودران در مقايسه با كنترل‌كننده‌هاي تناسبي- انتگرال- مشتقگير و كنترل پيشبين مدل، كارائي قابل قبولي از خود به نمايش مي‌گذارد.
چكيده لاتين :
In this paper deep neural controller is evaluated in self-driving car application which is one of the most important and critical among human-in-the-loop cyber physical systems. To this aim, the modern controller is compared with two classic controllers, i.e. proportional–integral–derivative and model predictive control for both quantitative and qualitative parameters. The parameters reflect three main challenges: (i) design-time challenges like dependency to the model and design parameters, (ii) implementation challenges including ease of implementation and computation workload, and (iii) run-time challenges and parameters covering performance in terms of speed, accuracy, control cost and effort, kinematic energy and vehicle depreciation. The main objective of our work is to present comparison and concrete metrics for designers to compare modern and traditional controllers. A framework for design, implementation and evaluation is presented. An end-to-end controller, constituting six convolution layers and four fully connected layers, is evaluated as the modern controller. The controller learns human driving behaviors and is used to drive the vehicle autonomously. Our results show that despite the main advantages of the controller i.e. being model free and also trainable, in terms of important metrics, this controller exhibits acceptable performance in comparison with proportional–integral–derivative and model predictive controllers.
عنوان نشريه :
مهندسي مكانيك اميركبير
