Diplomsko delo primerja učinkovitost dveh priljubljenih simulacijskih platform, CARLA in Udacity, s poudarkom na začetnikih na tem področju, z namenom, da bi usposobili modele umetne inteligence za aplikacije avtonomnih vozil.
Ocenjena je tudi uporabnost Jupyter Notebook in Google Colab, dveh znanih programskih okolij, za ustvarjanje in testiranje algoritmov za samostojno vožnjo.
Glavni cilji naloge so ugotoviti, katera razvojna okolja in simulacijska orodja so najboljša za neizkušene razvijalce ter kako optimizirati algoritme samoučenja za izboljšanje učinkovitosti in natančnosti modelov umetne inteligence v razmerah avtonomne vožnje.
Diplomsko delo primerja učinkovitost dveh priljubljenih simulacijskih platform, CARLA in Udacity, s poudarkom na začetnikih na tem področju, z namenom, da bi usposobili modele umetne inteligence za aplikacije avtonomnih vozil. Ocenjena je tudi uporabnost Jupyter Notebook in Google Colab, dveh znanih programskih okolij, za ustvarjanje in testiranje algoritmov za samostojno vožnjo. Glavni cilji naloge so ugotoviti, katera razvojna okolja in simulacijska orodja so najboljša za neizkušene razvijalce ter kako optimizirati algoritme samoučenja za izboljšanje učinkovitosti in natančnosti modelov umetne inteligence v razmerah avtonomne vožnje. Rezultati raziskave kažejo, da je bolj realističen, vendar zahtevnejši simulator CARLA primernejši za izkušene uporabnike in temeljite simulacije, medtem ko je začetnikom prijaznejši simulator Udacity, ki je dostopnejši zaradi preprostejšega vmesnika in manjših potreb po obdelavi.
Zakaj je problem resničen
Diplomsko delo primerja učinkovitost dveh priljubljenih simulacijskih platform, CARLA in Udacity, s poudarkom na začetnikih na tem področju, z namenom, da bi usposobili modele umetne inteligence za aplikacije avtonomnih vozil.
Metoda
Ocenjena je tudi uporabnost Jupyter Notebook in Google Colab, dveh znanih programskih okolij, za ustvarjanje in testiranje algoritmov za samostojno vožnjo.
Kaj je nastalo
Glavni cilji naloge so ugotoviti, katera razvojna okolja in simulacijska orodja so najboljša za neizkušene razvijalce ter kako optimizirati algoritme samoučenja za izboljšanje učinkovitosti in natančnosti modelov umetne inteligence v razmerah avtonomne vožnje. Rezultati raziskave kažejo, da je bolj realističen, vendar zahtevnejši simulator CARLA primernejši za izkušene uporabnike in temeljite simulacije, medtem ko je začetnikom prijaznejši simulator Udacity, ki je dostopnejši zaradi preprostejšega vmesnika in manjših potreb po obdelavi.
Podobno tudi Google Colab novim uporabnikom ponuja okolje, ki je enostavno za uporabo in učinkovito z viri, saj z uporabo infrastrukture v oblaku zagotavlja zanesljive računalniške vire, ne da bi bilo treba lokalno namestiti visokozmogljivo strojno opremo. Po drugi strani pa velja, da je Jupyter Notebook bolj koristen za izkušene razvijalce, ki potrebujejo več svobode in nadzora pri vzpostavljanju svojega razvojnega okolja. Poleg tega raziskava potrjuje, da povečanje števila iteracij v ciklu algoritma samoučenja do določene mere poveča učinkovitost modelov umetne inteligence.
Vendar pa po tej točki nadaljnje iteracije vodijo k zmanjševanju donosa, saj povečujejo porabo virov, ne da bi prinesle občutno izboljšanje učnih rezultatov. Ta opažanja izboljšujejo njihove razumevanje kompromisa med učinkovitostjo učenja in učinkovitostjo računanja med učenjem modelov AV. Glede na vse navedeno diplomsko delo ponuja pronicljive in koristne nasvete, ki bodo tako začetnikom kot tudi izkušenim uporabnikom pomagali pri izbiri najboljših orodij in razvojnih postopkov za avdiovizualne vsebine.
Poleg tega podaja predloge za prihodnje študije, namenjene izboljšanju učinkovitosti in odpornosti modelov umetne inteligence v avtonomni vožnji.
Objavljeno 11. 9. 2024 · licenca CC BY-NC 4.0 (besedilo in PDF diplomskega dela; fotografije in videi © Academia) · izvirna objava: academia.si.
Slike, sheme in zaslon
Še iz modula Programsko inženirstvo
Varnostna analiza lokalnega in oblačnega shranjevanja podatkov pri celičnih terapijah
Avtomatizacija backend procesov z uporabo umetne inteligence
Primerjava dveh orodij za statično analizo kode (SAST) za začetnike: SonarQube CE proti Semgrep
Želite v dveh letih narediti tak projekt?
Pustite e-pošto. V enem delovnem dnevu dobite osebni odgovor karierne svetovalke: ali je modul pravi za vas, kako se prizna vaša služba kot praksa in koliko stane – plus predmetnik, urnik in cenik.
Go Higher.