נושא הפרוייקט
מספר פרוייקט
מחלקה
שמות סטודנטים
אימייל
שמות מנחים
סימולטור בי-גי-אר
Simulator BGRacing
תקציר בעיברית
הפרויקט שלנו מתמקד ביצירת סביבת למידה בטוחה עבור כלי רכב אוטונומיים באמצעות מודל בינה מלאכותית. הכל התחיל כאשר קבוצת הפורמולה של בן גוריון, קבוצת סטודנטים הבונה מכונית פורמולה לתחרויות בינלאומיות, הביעו את הצורך שלה להפוך את הרכב לרכב אוטונומי. החלטנו לסייע בפיתוח זה על ידי יצירת פלטפורמת סימולציה באמצעות Unreal Engine ו-AirSim. המטרה שלנו היא לספק סביבת אימון מציאותית שבה ניתן לאמן ולבדוק אלגוריתמים ללא כל סיכון לרכב בפועל. הדרישה העיקרית של הפרויקט היא לפתח אלגוריתם למידת חיזוק הנקרא Deep Q-learning. אלגוריתם זה משלב רשת עצבית מקומית ורשת עצבית גלובלית כדי לשלוט על מספר כלי רכב במפה שנוצרה בתוך Unreal Engine. המטרה היא להנחות כל רכב מנקודת התחלה ספציפית לנקודת קצה ייעודית תוך הבטחה שהם לא יתנגשו זה בזה. Deep Q-learning הוא שילוב של Q-learning, המשתמש בטבלה לאחסון ערכים, ורשת עצבית. על ידי שימוש ברשת עצבית, נוכל לייצג את המצב של כל רכב בצורה יעילה יותר ולהפחית את הזיכרון הנדרש. האלגוריתם לומד מהחוויות של כל רכב, כמו מהירותו, המרחק מרכבים אחרים, והאם הוא עבר בהצלחה בצומת או התנגש ברכב אחר. התקדמנו בפיתוח אלגוריתם למידת החיזוק, וניסויים ראשוניים באמצעות הרשת המקומית הראו תוצאות מבטיחות כאשר יש רק רכב אחד אחר שנוסע במהירות קבועה. עם זאת, אתגרים מתעוררים כאשר מהירות הרכב השני משתנה באופן אקראי. אנו בוחנים כעת גישות שונות, כמו התאמת פרמטרי קלט, כדי לשפר את ביצועי האלגוריתם. המטרה הסופית שלנו היא להוכיח ששילוב רשת גלובלית, ששוקלת מידע מכל כלי הרכב, תוביל לתוצאות טובות עוד יותר. אנו מתכננים לשלב מודל רשת עצבית גלובלית. זה יכלול שילוב של נתונים מכל הרכבים והכשרת דגם אחד שמתחשב בתשומות מכל רכב. על ידי כך, נוכל ללכוד דפוסי תנועה ותנאי תנועה בצורה מדויקת יותר, וכתוצאה מכך קבלת החלטות מושכלת יותר בצמתים. השלמת פרויקט זה תספק סביבת הדרכה בטוחה ומציאותית לכלי רכב אוטונומיים, ותקדם את המחקר בטכנולוגיה לנהיגה עצמית. בנוסף, לשילוב של רשת נוירונים גלובלית יש פוטנציאל לשפר את הביצועים והאמינות הכוללים של כלי רכב אוטונומיים, מה שהופך אותם לבטוחים יותר על הכבישים עבור כולם.
תקציר באנגלית
Abstract: Our project focuses on creating a safe learning environment for autonomous vehicles using an artificial intelligence model. It all started when the Ben Gurion Formula Group, a group of students building a formula car for international competitions, expressed their need to transform the vehicle into an autonomous one. We decided to assist in this development by creating a simulation platform using Unreal Engine and AirSim. Our goal is to provide a realistic training environment where algorithms can be trained and tested without any risk to the actual vehicle. The main requirement of the project is to develop a reinforcement learning algorithm called deep Q-learning. This algorithm combines a local neural network and a global neural network to control multiple vehicles in a map created within Unreal Engine. The objective is to guide each vehicle from a specific starting point to a designated endpoint while ensuring they do not collide with each other. Deep Q-learning is a combination of Q-learning, which uses a table to store values, and a neural network. By using a neural network, we can represent the state of each vehicle more efficiently and reduce the memory required. The algorithm learns from the experiences of each vehicle, such as its speed, distance from other vehicles, and whether it successfully navigated an intersection or collided with another vehicle. We have made progress in developing the reinforcement learning algorithm, and initial experiments using the local network have shown promising results when there is only one other vehicle driving at a constant speed. However, challenges arise when the second vehicle's speed changes randomly. We are currently exploring different approaches, like adjusting input parameters, to improve the algorithm's performance. Our ultimate aim is to demonstrate that incorporating a global network, which considers information from all vehicles, will lead to even better results. We plan to integrate a global neural network model. This will involve combining data from all the vehicles and training a single model that considers inputs from each vehicle. By doing so, we can capture traffic patterns and conditions more accurately, resulting in more informed decision-making at intersections. Successfully completing this project will provide a safe and realistic training environment for autonomous vehicles, advancing research in self-driving technology. Additionally, the incorporation of a global neural network has the potential to enhance the overall performance and reliability of autonomous vehicles, making them safer on the roads for everyone.