Details

Дипломная работа выполнена на тему: «Обучение нейронной сети для обеспечения безопасного вождения беспилотного транспортного средства». Цель работы – разработка и обучение нейронной сети для обеспечения безопасного вождения беспилотных транспортных средств. В первой главе выполнен обзор литературы, где рассмотрены теоретические основы и современные методы глубокого обучения и компьютерного зрения, а также обзор исследований в области беспилотных транспортных средств. Во второй главе рассмотрены основные подходы к глубокому обучению и компьютерному зрению, методы потери и оптимизации, а также источники данных для обучения и тестирования нейронных сетей. В третьей главе описаны материалы и методы, включающие методы оценки и выбора параметров моделей, инструменты и библиотеки для реализации моделей, а также меры по обеспечению безопасности. В четвертой главе представлена реализация модели на основе глубокого обучения, включая проведение экспериментов на различных датасетах, анализ влияния параметров на качество моделей и представление результатов экспериментов. В заключении сделаны выводы по проделанной работе, обоснована необходимость интеграции различных сенсорных данных и методов глубокого обучения для создания надежной системы автономного управления транспортными средствами.

The thesis was completed on the topic: "Training a neural network to ensure safe driving of an unmanned vehicle". The purpose of the work is to develop and train a neural network to ensure safe driving of unmanned vehicles. The first chapter provides a review of the literature, which examines the theoretical foundations and modern methods of deep learning and computer vision, as well as a review of research in the field of unmanned vehicles. The second chapter discusses the main approaches to deep learning and computer vision, loss and optimization methods, as well as data sources for training and testing neural networks. The third chapter describes materials and methods, including methods for evaluating and selecting model parameters, tools and libraries for implementing models, as well as security measures. The fourth chapter presents the implementation of the model based on deep learning, including conducting experiments on various datasets, analyzing the influence of parameters on the quality of models and presenting experimental results. In conclusion, conclusions are drawn on the work done, the need to integrate various sensory data and deep learning methods to create a reliable autonomous vehicle control system is justified.