Tato bakalářská práce se zaměřuje na návrh a implementaci autonomního vozidla s využitím konvolučních neuronových sítí pro automatické sledování trasy. Teoretická část zkoumá principy strojového vidění a senzoriky pro autonomní řízení. Dále jsou popsány principy konvolučních neuronových sítí a jejich aplikace pro metody detekce a sledování trasy. Je navržena metodika pro sběr dat a trénování sítě. Praktická část se zabývá konstrukcí vozidla, výběrem komponent a implementací softwaru pro sběr dat, trénování TensorFlow modelu a inferenci. Natrénovaný model je testován v reálných podmínkách a vyhodnocen z hlediska přesnosti a spolehlivosti sledování trasy.
Anotace v angličtině
This bachelor thesis focuses on the design and implementation of an autonomous vehicle using convolutional neural networks for automatic track following. The theoretical part explores the principles of machine vision and sensors used for autonomous driving. The principles of convolutional neural networks and their application to track detection and following methods are also described. A methodology for data collection and training of the network is proposed. The practical part deals with vehicle design, selection of components and software implementation of data collection, training a TensorFlow model and inference. The trained model is tested in real conditions and evaluated in terms of accuracy and reliability of track following.
Tato bakalářská práce se zaměřuje na návrh a implementaci autonomního vozidla s využitím konvolučních neuronových sítí pro automatické sledování trasy. Teoretická část zkoumá principy strojového vidění a senzoriky pro autonomní řízení. Dále jsou popsány principy konvolučních neuronových sítí a jejich aplikace pro metody detekce a sledování trasy. Je navržena metodika pro sběr dat a trénování sítě. Praktická část se zabývá konstrukcí vozidla, výběrem komponent a implementací softwaru pro sběr dat, trénování TensorFlow modelu a inferenci. Natrénovaný model je testován v reálných podmínkách a vyhodnocen z hlediska přesnosti a spolehlivosti sledování trasy.
Anotace v angličtině
This bachelor thesis focuses on the design and implementation of an autonomous vehicle using convolutional neural networks for automatic track following. The theoretical part explores the principles of machine vision and sensors used for autonomous driving. The principles of convolutional neural networks and their application to track detection and following methods are also described. A methodology for data collection and training of the network is proposed. The practical part deals with vehicle design, selection of components and software implementation of data collection, training a TensorFlow model and inference. The trained model is tested in real conditions and evaluated in terms of accuracy and reliability of track following.
Cílem práce je navrhnout a vytvořit autonomní vozítko řízené pomocí výstupů konvolučních neuronových sítí (CNN), které bude schopné autonomně sledovat vyznačenou trasu.
V teoretické části práce bude provedena rešerše problematiky autonomních vozidel, se zaměřením na základní technologie strojového vidění pro jejich autonomii používané v této oblasti. Dále se student zaměří na metody detekce a sledování trasy s využitím konvolučních neuronových sítí. Závěrem teoretické části bude návrh metodiky pro sběr a přípravu dat pro trénování neuronové sítě, včetně popisu anotace a rozdělení dat.
Praktická část se bude zabývat konstrukcí vozítka, výběrem vhodných komponentů a sestavením modelu vozítka s ohledem na integraci kamerového systému a řídící jednotky. Dále bude popsána implementace softwaru pro sběr dat během manuálního ovládání vozítka. Hlavním cílem praktické části bude spočívat v návrhu, implementaci a trénování CNN na základě předem nasbíraných dat. Po natrénování sítě bude model otestován na vozítku v reálných podmínkách na neznámé trase a vyhodnocen z hlediska přesnosti a spolehlivosti sledování trasy. V závěru praktické části student zhodnotí dosažené výsledky.
Zásady pro vypracování
Cílem práce je navrhnout a vytvořit autonomní vozítko řízené pomocí výstupů konvolučních neuronových sítí (CNN), které bude schopné autonomně sledovat vyznačenou trasu.
V teoretické části práce bude provedena rešerše problematiky autonomních vozidel, se zaměřením na základní technologie strojového vidění pro jejich autonomii používané v této oblasti. Dále se student zaměří na metody detekce a sledování trasy s využitím konvolučních neuronových sítí. Závěrem teoretické části bude návrh metodiky pro sběr a přípravu dat pro trénování neuronové sítě, včetně popisu anotace a rozdělení dat.
Praktická část se bude zabývat konstrukcí vozítka, výběrem vhodných komponentů a sestavením modelu vozítka s ohledem na integraci kamerového systému a řídící jednotky. Dále bude popsána implementace softwaru pro sběr dat během manuálního ovládání vozítka. Hlavním cílem praktické části bude spočívat v návrhu, implementaci a trénování CNN na základě předem nasbíraných dat. Po natrénování sítě bude model otestován na vozítku v reálných podmínkách na neznámé trase a vyhodnocen z hlediska přesnosti a spolehlivosti sledování trasy. V závěru praktické části student zhodnotí dosažené výsledky.
GONZALEZ, Rafael C. a Richard E. WOODS, [2018]. Digital image processing. Fourth edition. New York: Pearson. ISBN 978-013-3356-724.
Přílohy volně vložené
-
Přílohy vázané v práci
-
Převzato z knihovny
Ne
Plný text práce
Přílohy
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
Bakalářská práce úspěšně splnila všechny stanovené cíle. Bylo navrženo a implementováno autonomní vozidlo s využitím konvolučních neuronových sítí (CNN) pro automatické sledování trasy. Model byl testován v reálných podmínkách a vyhodnocen z hlediska přesnosti a spolehlivosti. Téma práce je velmi aktuální a má vysokou praktickou využitelnost, zejména v oblasti autonomních vozidel a moderního strojového učení.