Inflytelserikt lärande : Kunskapsdelande mellan artificiella neuronnät byggda för autonoma fordon

Autonomous vehicles may be a part of our future no matter if we like it or not. The technology developed for self-driving have already outperformed humans in multiple aspects but involves systems that are prone to failure. Machine learning techniques have proven to enhance the performance of these autonomous vehicles by efficiently analyzing and learning from data gathered through embedded systems. A popular approach to enhance performance in autonomous systems is to incorporate cameras and use computer vision techniques to extract useful information from the images. The potential use cases of applying such techniques are many including object detection, tracking, segmentation, motion estimation and scene understanding. Numerous implementation methods have been proposed with the ambition to optimize these techniques in order to utilize their full potential and help autonomous systems maneuver as accurate as possible. Velocity and steering angle are important aspects of autonomous vehicles, however since the vehicles can reach high velocities it is also of great importance that the systems act quickly in addition to being accurate. This thesis evaluates an approach that involves combining machine learning models in a way that enables one of the models to be influenced by the others with knowledge unobtainable by itself. While learning to estimate a steering angle one of the models is simultaneously taught to mimic auxiliary models that have achieved state-of-the-art performance in tasks related to image segmentation and optical flow. The machine learning models used are convolutional neural networks and the intention is for one of the neural networks to acquire the knowledge of the optimal direction to steer a vehicle. The project conducted in this thesis shows that the performance on gathered test data can be significantly improved with the proposed approach while all used neural networks are able to handle the data. After training has been conducted the auxiliary neural networks can be discarded and therefore this approach achieves the same processing time and memory size as if they were not involved. Autonoma fordon kan komma att bli en del av vår framtid oavsett om vi så önskar eller inte. Den teknik som har utvecklats för ändamålet är redan idag bättre i flertalet aspekter på att hantera fordon än vad människor är. Implementationer av autonoma fordon bygger ofta på maskininlärning där en modell lär sig att manövrera fordonet med hjälp av data som samlas in genom inbyggda system. En vanligt tillvägagångssätt för att förbättra dessa autonoma fordon är att använda sig av kameror, där de insamlade bilderna kan behandlas och utvärderas av modeller skapade för att främja datorseende. Det finns många användningsområden där datorseende kan appliceras inom autonoma fordon bland annat objektigenkänning, lokalisering, rörelseuppskattning och scenförståelse. Åtskilliga implementationer har föreslagits med ambitionen att optimera dessa modeller och utnyttja deras fulla potential så att autonoma system kan mönvrera ett fordon på bästa möjliga sätt. Det är inte bara styrning och hastighet som är viktigt för dessa modeller, det är också av stor betydelse att dessa system agerar snabbt då fordonen ofta rör sig i höga hastigheter. Den här uppsatsen utvärderar ett tillvägagångssätt som involverar en kombination av några av de främsta maskininlärnings modellerna inom optiskt flöde och bildsegmentering. Samtidigt som en av dessa modeller lär sig att manövrera styrning av fordonet så lär den sig att imitera modeller som tidigare har visat väldigt bra resultat inom andra uppgifter som är relaterade till datorseende i autonoma fordon. De modeller som är involverade är faltningsnätverk och imitationen sker med avsikten att den modell som är avsedd att lära sig styra fordonet ska ta del av den kunskap som indikerar styrvinkel ifrån de andra nätverken. Projektet som utförs i samband med den här uppsatsen visar att modellen blir signifikant förbättrad på att utvärdera styrvinkel för de fallen där alla faltningsnätverk klarar av att hantera datan. Efter träning förkastar modellen hjälpnätverken och uppnår därför samma behandlingstid och minnesanvändning som ett nätverk där dessa inte involveras