Artificiella neurala nätverk (ANN) kan användas för att lära och efterlikna olika beteenden. I det här projektet används ANN för att kontrollera en bil i en simulatormiljö genom att lära upp nätverken med mänskliga exempel. Syftet med projektet är att ta reda på vilken kombination av parametrar det är som gör att en bil kan kontrolleras av ANN med ett bra resultat. Detta undersöks genom att skapa åtta olika artificiella förare som representerar olika kombinationer av parametrar och sedan jämföra förarnas beteende och resultat för att se vilken förare som klarar sig bäst. På så vis är det sedan möjligt att härleda vilken kombination av parametrar som är den bästa för att kontrollera en bil med ANN. Resultaten från experimenten visar att den bästa kombinationen av parametrar för att styra en artificiell bilförare med ANN är högnivåinput, högnivåoutput och en delad nätverksarkitektur. Framtida arbeten innefattar bland annat hybrider av kombinationer.

Att skapa en bra ANN-förare handlar inte bara om att ha en bra struktur på sitt nätverk. Det är minst lika viktigt att data som används vid träningen av nätverket är av bra kvalité. I detta arbete utvärderas i huvudsak två olika förbehandlingstekniker för att se vilken påverkan de har på slutresultatet. Båda teknikerna, reduceringsutjämning och kategoriutjämning är skapade baserat på resultat från tidigare forskningsarbeten. Förare med olika kombinationer av dessa förbehandlingstekniker och spegling utvärderades på olika banor (spegling innebär att man kopierar alla exempel och vänder håll på dem). Resultatet var tyvärr inte så bra som förväntat då förbehandlingsteknikerna visade sig vara felkonstruerade. Förbehandlingsteknikerna gjorde därför inte sina uppgifter på rätt sätt vilket gav ett lite opålitligt resultat. Det positiva i studien var att förare med en kombination av båda förbehandlingsteknikerna lärde sig bäst. Detta visar på potential hos förbehandlingsteknikerna som därför skulle kunna vidareutvecklas i framtida arbeten.