Loading...
Publication
Performance Analysis of End-To-End Autonomous Driving Systems in Varying Simulated Scenarios
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 2.32 MB | Adobe PDF |
Authors
Morgado, Ângelo Miguel Rodrigues
Advisor(s)
Abstract(s)
In recent years, the importance of autonomous driving has increased significantly due to technological advances and the changing needs of society. Autonomous driving promises safer, more efficient transportation, with the potential to reduce traffic congestion and accidents. However, achieving fully autonomous driving remains a challenge. One of the main limitations is that current autonomous vehicles cannot drive safely in all scenarios, especially in adverse weather conditions. Testing these scenarios in the real world is impractical and often unsafe, which makes simulation an essential tool for developing autonomous driving agents. Simulation environments allow for extensive testing of autonomous vehicles, providing valuable information and helping to improve the reliability and safety of autonomous driving systems. Most commercially available autonomous vehicles follow a modular architecture, where each phase, from information collection, to vehicle control is separated into different modules arranged individually from each other. However, there are studies that discuss a different architecture, end-to-end, where all these modules are combined into one and trained simultaneously. This project has two main objectives, the first is to develop a tool called CARLA-GymDrive, whose functionality is to allow the user to train a reinforcement learning agent in an environment compatible with the gymnasium library in the CARLA simulator; the second is to train agents with the two autonomous vehicle architectures end-to-end and modular, along with two learning algorithms, DQN and PPO. Trained agents are subject to a series of tests to comprehensively assess their performance and robustness. This study not only highlights the fundamental role of simulation in the development of reliable autonomous systems, but also acesses the potential of the end-to-end architecture.
Nos últimos anos, a importância da condução autónoma aumentou significativamente devido aos avanços tecnológicos e à evolução das necessidades da sociedade. A condução autónoma promete um transporte mais seguro e mais eficiente, com potencial para reduzir o congestionamento do tráfego e os acidentes. No entanto, conseguir uma condução totalmente autónoma continua a ser um desafio. Uma das principais limitações é que os atuais veículos autónomos não podem conduzir em segurança em todos os cenários, especialmente em condições meteorológicas adversas. Testar estes cenários no mundo real é inviável e muitas vezes inseguro, o que torna a simulação uma ferramenta essencial para o desenvolvimento de agentes de condução autónoma. Os ambientes de simulação permitem testar exaustivamente os veículos autónomos, fornecendo informações valiosas e ajudando a melhorar a fiabilidade e a segurança dos sistemas de condução autónoma. A maioria dos veículos autónomos comercialmente disponíveis seguem uma arquitetura modular, onde cada fase, desde a recolha de informações até ao controlo do veículo estão separadas em diferentes módulos preparados individualmente uns dos outros. Porém, têm aparecido estudos que discutem uma arquitetura diferente, endto-end, onde todos esses módulos são juntos num só e treinados em simultâneo. Este projeto tem dois objetivos principais, o primeiro é desenvolver uma ferramenta chamada CARLA-GymDrive, cuja funcionalidade é permitir ao utilizador treinar um agente de aprendizagem por reforço num ambiente compatível com a biblioteca gymnasium no simulador CARLA; o segundo é treinar agentes com as duas arquiteturas de veículos autónomos end-toend e modular, juntamente com dois algoritmos de aprendizagem, DQN e PPO. Os agentes treinados são sujeitos a uma série de testes para avaliar de forma abrangente o seu desempenho e robustez. Este estudo não só realça o papel fundamental da simulação no desenvolvimento de sistemas autónomos fiáveis, como investiga o potencial da arquitetura end-to-end.
Nos últimos anos, a importância da condução autónoma aumentou significativamente devido aos avanços tecnológicos e à evolução das necessidades da sociedade. A condução autónoma promete um transporte mais seguro e mais eficiente, com potencial para reduzir o congestionamento do tráfego e os acidentes. No entanto, conseguir uma condução totalmente autónoma continua a ser um desafio. Uma das principais limitações é que os atuais veículos autónomos não podem conduzir em segurança em todos os cenários, especialmente em condições meteorológicas adversas. Testar estes cenários no mundo real é inviável e muitas vezes inseguro, o que torna a simulação uma ferramenta essencial para o desenvolvimento de agentes de condução autónoma. Os ambientes de simulação permitem testar exaustivamente os veículos autónomos, fornecendo informações valiosas e ajudando a melhorar a fiabilidade e a segurança dos sistemas de condução autónoma. A maioria dos veículos autónomos comercialmente disponíveis seguem uma arquitetura modular, onde cada fase, desde a recolha de informações até ao controlo do veículo estão separadas em diferentes módulos preparados individualmente uns dos outros. Porém, têm aparecido estudos que discutem uma arquitetura diferente, endto-end, onde todos esses módulos são juntos num só e treinados em simultâneo. Este projeto tem dois objetivos principais, o primeiro é desenvolver uma ferramenta chamada CARLA-GymDrive, cuja funcionalidade é permitir ao utilizador treinar um agente de aprendizagem por reforço num ambiente compatível com a biblioteca gymnasium no simulador CARLA; o segundo é treinar agentes com as duas arquiteturas de veículos autónomos end-toend e modular, juntamente com dois algoritmos de aprendizagem, DQN e PPO. Os agentes treinados são sujeitos a uma série de testes para avaliar de forma abrangente o seu desempenho e robustez. Este estudo não só realça o papel fundamental da simulação no desenvolvimento de sistemas autónomos fiáveis, como investiga o potencial da arquitetura end-to-end.
Description
Keywords
Aprendizagem por Reforço Condução Autónoma End-to-End Qualidade de Software Sim-
Ulador de Condução Carla