This thesis is about the usage of a machine learning model for self-driving vehicles running on a small mobile computing unit, in this case, a smartphone. We use NVIDIA’s PilotNet model which is a simple feed-forward machine learning model for steering a vehicle. Their testing is conducted on a real-world vehicle and the model is used for lane keeping. Instead, we’ve adopted to be able to drive around an oval track that has no lane marking. The primary goal was to be able to run the model on a smartphone and this was a simple task as we’ve seen that the inference time is small enough that it can run at 30 FPS. As of now the model only generate a good steering output in the testing phase with prerecorded data and was only able to complete a corner on one side of the track. / Arbetet handlar om användning av maskininlärning för självkörande fordon med en liten datorenhet, i detta fallet en smartphone. Vi använder oss av NVIDIAs PilotNet model som är en simpel feed-forward modell för att styra ett fordon. I dagsläget kan modellen generera en bra styrsignal från inspelad data under simulerad testning. Vid testning på själva fordonet kan den slutföra en av fyra svängar på testbanan. PilotNet är ursprungligen utvecklat och testat för körfältshållning. Vårt testområde har ingen vägmarkering som visar vart fordonet kan svänga, vilket gav den en stor uppgift att lära sig. Vi ser att en liten enhet som en smartphone kan köra modellen enkelt och tiden mellan ingången på bilden till generering av styrsignal kan vara i 30FPS som gör att den kan köra i realtid.
Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:mau-62999 |
Date | January 2023 |
Creators | Khansomboon, Pratchaya |
Publisher | Malmö universitet, Fakulteten för teknik och samhälle (TS) |
Source Sets | DiVA Archive at Upsalla University |
Language | English |
Detected Language | English |
Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
Format | application/pdf |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0017 seconds