Drive-Sim

自駕車模擬。

利用深度學習 RBF 模型，讓自駕車根據過往的行駛資料來分析與學習，車輛在下一個時刻應該要轉多少角度，並在最後順利走出道路。
且在此深度學習程式中，我沒有使用任何深度學習框架 ex: scikit-learn, PyTorch, TensorFlow 等，所有的運算皆是我用程式寫出來的，包含 K-Means, 倒傳遞的參數更新, 更新方法，都是寫程式來進行運算；也因為如此，這個專案讓我更熟悉深度學習的基本原理，而不是僅會套用現有框架，而不知隱藏在其中的數學意義。

---

1. Project Description

道路示意圖

圓形是車子
左上角顯示是前右左3個距離的方向
紅色區域是終點

軌道說明

軌道檔案在 "data/軌道座標點.txt"

第一行為車體中心起始的（x,y,φdegree)
二，三行標示出終點區域位置
第二行為區域左上角（x,y）
第三行為區域右下角（x,y）
第四行以後為軌道邊界節點（x,y）
直到最後一行
最後一行與第四行數值相同
形成一個封閉的跑道
軌道於起點線右下角為(-6,-3);左下角為(6,-3)
起點線為(-6,0) -> (6,0)

訓練資料

檔案有兩種 "data/train4dAll.txt", "data/train4dAll.txt"

• train4dAll.txt 格式: 前方距離、右方距離、左方距離、方向盤得出角度(右轉為正)
• train6dAll.txt 格式: X 座標、Y 座標、前方距離、右方距離、左方距離、方向盤得出角度(右轉為正)

---

2. Code Explanation

我分成 車子與牆壁距離計算 和 RBF Model 兩部分說明

2.1 計算車子到牆壁的距離

def vehicle_move(x, y, theta, empty)

目的：這裡描述模擬車的運動方程式

方程式如下

x: 車子所在的 x 座標
y: 車子所在的 y 座標
theta: 車子要轉的角度(θ)
empty: 車子與水平線的夾角(ϕ)

def distance_cal(vehicle_x, vehicle_y, empty)

目的：計算車子的三個方向到牆壁的距離
vehicle_x: 車子所在的 x 座標
vehicle_y: 車子所在的 y 座標
empty: 車子與水平線的夾角
這裡會計算車子和前、右、左三個方向的距離

計算方式分成五個步驟

1. def find_vehicle_front_all_wall_point(line)
   車子這三個方向的直線可以算出一個直線方程式，將方程式和所有牆壁的方程式會算出很多交點。

2. def find_point_on_wall(points)
   但這些交點並不是真的都在那些牆壁上(有些是在那些牆壁的延長線上)，因此這個步驟要去判斷這些點是不是都在真的牆壁上。

3. def find_correct_direction(points, vehicle_x, vehicle_y, empty)
   接著要分析車子現在方向是朝向上面還是朝向下面，以及是朝向正右方(水平夾角=0)，或是朝向正左方(水平夾角=180)。

4. def find_closest_point(points, vehicle_x, vehicle_y)
   這個方向仍然可能有多個交點，因此要找離車子最近的那一個，這個交點即是正確的那個交點。

5. def cal_dist(point, vehicle_x, vehicle_y)
   將這個交點和車子的中心去算距離，回傳算出來的距離以及交點。

2.2 RBF Model

沒有使用任何深度學習的框架 ex: pytorch, tensorflow 等
這裡我自己實做一個 RBF Model，包括模型的訓練方式、模型的參數參數更新等

這裡就不說明原理，只說明我怎麼做的

RBF Model 示意圖:

我們的輸出只會有一個，因為是要預測 "方向盤要轉多少角度"，是屬於 regression 的任務

RBF 共分成兩個步驟，第一步要先分群，第二步才是真的訓練模型
分群的方式我採用的是 K-means

def kmeans(X, k, max_iters)

目的：將資料分成 k 群，算出每一群的中心點與標準差。
X: 所有的資料點
k: 分成 k 群
max_iters: 最大迭代次數

class RBFNN

• RBFNN.train(lr, n_epochs)
  目的：訓練 RBF 模型
  learning rate: 0.0001
  n_epochs: 500
  基底函數: (高斯分布)
  利用 LMS演算法來更新模型參數

• RBFNN.predict(X_pred)
  目的: 輸入要預測的資料，並輸出預測的角度
  X_pred: 被預測的資料(前、右、左三個方向的距離)
  output: 預測的角度(θ)

使用上方訓練完的 RBF 模型的參數，來預測我們輸入的資料。

3. Result

自動車可以順利地到達終點，且不論是在起跑線上的哪一點皆可。

• 右轉
  當偵測到右邊的距離突然變大，則車子會開始進行右轉彎。

• 左轉
  當偵測到左邊的距離突然變大，則車子會開始進行左轉彎。

當車子偵測到有某一邊的數值突然變大時，則會開始朝那個方向進行轉彎。全部觀察下來，車子會朝距離大的那個方向進行轉彎，而距離相對小的時候會進行比較小幅度的轉彎，距離大的時候會進行相對較大幅度的轉彎。

4. Analysis

下圖是三種距離與角度的對照圖

橫軸分別是前方、右方、左方距離，縱軸是角度(θ)
紅色點是我的模型跑出來的結果，藍色點是原始的訓練資料

由圖片可以看出，不論是哪一個方向，相對於助教的資料，我的資料都沒有辦法產生大角度的輸出 (最多大概就到 25 度)，也就代表訓練出來的自動車沒有辦法做大角度的轉彎 (實測出來也是如此)。 會造成這樣的原因，我的猜想是因為大角度的資料比較少，這樣導致在第一步做 K-means 的時候，和大角度相關的資料中心點個數就會比較少，也因此後續訓練的時候，很容易就被平均掉了，所以如果要避免產生這種現象，應該要多增加資料量。

不過即使沒有大角度的資料，我的自動車一樣可以順利地到達終點，而它就會比較早開始轉彎，轉彎的幅度也會比較小。