| dc.description.abstract | Η τεχνολογία αυτόνομης οδήγησης έχει αναδειχθεί ως ένα πολλά υποσχόμενο θέμα στα μέσα μεταφοράς, έχοντας δώσει την υπόσχεση επαναπροσδιορισμού του μοντέλου μετακίνησης και της ενίσχυσης της οδικής ασφάλειας σε όλο το οδικό δίκτυο του κόσμου. Αυτή η πτυχιακή διατριβή παρουσιάζει μια έρευνα για την ανάπτυξη ενός συστήματος αυτοοδηγούμενων αυτοκινήτων χρησιμοποιώντας τεχνολογίες όπως Python, Pygame και τον αλγόριθμο NEAT (NeuroEvolution of Augmenting Topologies). Η έρευνα στοχεύει στη διερεύνηση των δυνατοτήτων των νευρωνικών δικτύων και των εξελικτικών τεχνικών υπολογισμού στην εκπαίδευση αυτόνομων οχημάτων και της αξιολόγησης της απόδοσή τους.
Στη συγκεκριμένη εργασία, μετά την υλοποίηση του προγράμματος θα διεξαχθούν τρία πειράματα. Σε αυτά τα τρία πειράματα θα δημιουργηθούν κυκλικά περιβάλλοντα έτσι ώστε να μπορούν τα αυτοκίνητα να κινηθούν καθ’ όλη τη διάρκεια της προσομοίωσης. Επίσης σε κάθε ένα πείραμα θα παραμετροποιηθεί ο αριθμός των κρυφών επιπέδων του νευρωνικού δικτύου, έτσι ώστε να γίνει σύγκριση αποδοτικότητας του μοντέλου που θα εκπαιδευτεί, μεταξύ των τριών πειραμάτων.
Πιο συγκεκριμένα, τα τρία αυτά πειράματα θα γίνουν με μηδέν, δέκα και εκατό κρυφά επίπεδα στο νευρωνικό δίκτυο αντιστοίχως. Κατά αυτό τον τρόπο, τα μοντέλα που θα εκπαιδευτούν θα επιφέρουν και τα αντίστοιχα δεδομένα αναφοράς, που με την βοήθεια τους θα μπορέσει να διεξαχθεί το συμπέρασμα για το πιο από τα τρία μοντέλα έχει καλύτερο βαθμό καταλληλότητας στο να κινείται αυτόβουλα στα κυκλικά περιβάλλοντα.------------------------------------------ Autonomous driving technology has emerged as a promising frontier in transportation, with the potential to redefine mobility and enhance safety on roads worldwide. This thesis presents an investigation into the development of a self-driving car system using technologies such as Python, Pygame, and the NEAT (NeuroEvolution of Augmenting Topologies) algorithm. The research aims to explore the capabilities of neural networks and evolutionary computation techniques in training autonomous vehicles and to evaluate their performance.
In this work, after the implementation of the program, three experiments will be conducted. In these three experiments, circular environments will be created so that the cars can move throughout the simulation. Also, in each experiment, the number of hidden layers of the neural network will be parameterized, so that the efficiency of the model to be trained can be compared between the three experiments.
More specifically, these three experiments will be done with zero, ten and one hundred hidden layers in the neural network respectively. In this way, the models that will be trained will also bring the corresponding reference data, with the help of which it will be possible to conclude which of the three models has a better degree of suitability to move autonomously in circular environments. | en_US |
