Steering, Throttle Dan Brake Prediction pada Simulator Self-Driving Car Memanfaatkan CNN

Authors

  • Andre Nyoto Raharjo Institut Sains Dan Teknologi Terpadu Surabaya
  • Andreas Universitas Pelita Harapan Surabaya

DOI:

https://doi.org/10.52985/insyst.v2i2.147

Keywords:

convolutional neural network, deep learning, self-driving car, prediction

Abstract

Manusia dapat mengendarai mobil dengan cara belajar sendiri, belajar dari orang lain atau dengan menirukan cara mengemudi orang lain. Dalam mengemudikan mobil pengemudi akan melihat kondisi jalan dan kondisi mobil sebagai pertimbangan untuk menentukan kontrol kemudi yang akan dijalankan seperti nilai steering angle, throttle dan brake. Dengan pembelajaran atau menirukan kebiasaan manusia, mesin juga mampu untuk melakukan hal yang sama yang dapat dilakukan oleh manusia seperti mengemudikan mobil. Maka dari itu akan dibuat program yang dapat mengemudikan mobil dengan menentukan nilai steering angle, throttle dan brake menggunakan data gambar kamera depan mobil, nilai steering angle, throttle, brake dan speed terakhir mobil. Aplikasi akan dibuat menggunakan Keras untuk pembuatan model, training dan testing. Berbagai teknik augmentasi gambar digunakan untuk menghasilkan gambar baru dengan jumlah tidak terbatas dari data gambar asli yang dikumpulkan. Program menggunakan simulator mobil untuk melakukan pengumpulan data dan uji coba program. Simulator dipilih sebagai media karena mudah dalam hal pengumpulan data dan tidak ada risiko terjadi kecelakaan seperti pada dunia nyata. Dengan adanya program ini, mesin dapat mengemudikan mobil secara otonom. Dari hasil eksperimen disimpulkan bahwa performa terbaik model tercapai pada model yang menggunakan dataset Lake dan Mountain, menggunakan augmentasi data, menggunakan channel warna YUV, menggunakan gambar dan state dari mobil sebagai input, learning rate 0.0001, dan drop out 0.5.

References

M. V Smolyakov, A. I. Frolov, V. N. Volkov, and I. V Stelmashchuk, “Self-driving car steering angle prediction based on deep neural network an example of CarND udacity simulator,” in 2018 IEEE 12th international conference on application of information and communication technologies (AICT), 2018, pp. 1–5.

J. Kocić, N. Jovičić, and V. Drndarević, “An end-to-end deep neural network for autonomous driving designed for embedded automotive platforms,” Sensors, vol. 19, no. 9, p. 2064, 2019.

M. Bojarski et al., “End to end learning for self-driving cars,” arXiv Prepr. arXiv1604.07316, 2016.

Y. Tian, K. Pei, S. Jana, and B. Ray, “Deeptest: Automated testing of deep-neural-network-driven autonomous cars,” in Proceedings of the 40th international conference on software engineering, 2018, pp. 303–314.

T.-D. Do, M.-T. Duong, Q.-V. Dang, and M.-H. Le, “Real-time self-driving car navigation using deep neural network,” in 2018 4th International Conference on Green Technology and Sustainable Development (GTSD), 2018, pp. 7–12.

A. Navarro, J. Joerdening, R. Khalil, A. Brown, and Z. Asher, “Development of an autonomous vehicle control strategy using a single camera and deep neural networks,” 2018.

M. A. Nielsen, Neural networks and deep learning, vol. 25. Determination press San Francisco, CA, 2015.

M. Spryn, “Autonomous Driving using End-to-End Deep Learning: an AirSim tutorial,” 2017. https://github.com/Microsoft/AutonomousDrivingCookbook/tree/master/AirSimE2EDeepLearning.

F. Chollet, “Keras: The Python Deep Learning library,” Keras.Io, 2015.

M. Abadi et al., “TensorFlow: A system for large-scale machine learning,” 2016.

Downloads

Published

2020-10-01