Μηχανική μάθηση και ανθρώπινοι παράγοντες στην αυτόνομη οδήγηση

Παρασκευόπουλος, Ιωάννης

Machine learning and human factors in autonomous driving

Διπλωματική εργασία

Author

Παρασκευόπουλος, Ιωάννης

Date

2021-10-14

Advisor

Nikolaou , Grigoris

Διπλωματική Εργασία (2.566Mb)

Keywords

Μηχανική μάθηση ; Machine learning ; Ανίχνευση αφηρημένου οδηγού ; Distracted driver detection ; Autonomous driving ; Τεχνητή νοημοσύνη ; Βαθιά μάθηση ; Αυτόνομη οδήγηση

Abstract

Μία εκ των βασικών αιτιών για την απώλεια ανθρωπίνων ζωών είναι η απόσπαση της προσοχής των οδηγών, σύμφωνα με διεθνής στατιστικές μελέτες. Για την επίλυσης των ανωτέρω προβλημάτων απαιτείται η εκπαίδευση νευρωνικών δικτύων με τη χρήση της βάσης δεδομένων State Farm Distracted Driver Detection και στατιστικών αυτής. Η Βαθιά και Μηχανική Μάθηση – τα δύο υποπεδία της Τεχνητής Νοημοσύνης – παρέχουν τα εργαλεία που χρειάζονται για την εκπαίδευση των υπολογιστών, προκειμένου να αντιμετωπιστούν τα διάφορα προβλήματα. Έπειτα γίνεται εκτενής αναφορά στην μέθοδο επίλυσης του προβλήματος με τη χρήση νευρωνικών δικτύων. Οι δοκιμές για την αξιολόγηση των επιδόσεων γίνεται πάνω σε δεδομένα με και χωρίς ετικέτες. Ακόμη, πραγματοποιείται και δοκιμή σε δεδομένα σε πραγματικό χρόνο. Τέλος, παρουσιάζονται τα αποτελέσματα της μελέτης, αλλά και προτάσεις για μελλοντικές βελτιώσεις.

Abstract

One of the leading causes of loss of life is the distraction of drivers, according to international statistical studies. Solving the above problems requires training of neural networks using the State Farm Distracted Driver Detection database and its statistics. Deep Learning and Machine Learning - the two subfields of Artificial Intelligence - provide the tools needed for computer training to tackle various problems. Extensive reference is then made to the method of solving the problem using neural networks. Performance evaluation tests are performed on data with and without labels. Real-time data testing is also performed. Finally, the results of the study are presented, as well as suggestions for future improvements.