큰 주제 : 파라미터에 따른 주행 방식 연구, 파라미터에 따른 주행 기록 단축 경향 연구
- 서론 (문제점 제기 및 우리가 제안하는 방법)
문제점 : 강화학습을 통해 자율주행을 수행하는 경우 보상함수를 이루는 파라미터마다의 결과에 따른 연관성이 존재한다. AWS Deepracer에서 주어지는 파라미터의 정보는 있지만 어떠한 각각이 결과적으로 어떤 주행 방식을 보일지 모른다. (차라리 자율주행 시장과 연관을 짓지 말고 강화학습의 학습 방법과 연관을 짓자.)
제안 : speed, angle 두 가지 파라미터에 대해 독립적인 주행 모델을 생성하여 주행 방식을 확인했다. angle의 경우 일관된 주행 경로와 함께 Out - In - Out과 비슷한 주법을 보임을 확인했다. speed의 경우 속도는 높게 유지하지만 보상을 많이 받기위해 도로를 지그재그로 이동함을 확인할 수 있다. 직선으로 주행하며 높은 속도를 유지하는 것과는 다르게 더 많은 거리를 이동하며 높은 보상을 획득하였다.
- 강화학습의 설명
2 - 1. AWS Deepracer 설명
-
주행 모델들에 대한 설명
3 - 1. distance_from_center 파라미터 모델 (중앙선에 가까울 수록 보상함수가 높다.)
3 - 2. speed 파라미터 모델 (누적된 속도를 보상으로 제공한다.)
3 - 3. angle 파라미터 모델 (이동할 수 있는 최대한의 각도에 가까울수록 보상이 높아진다.) -
실험
4 - 1. 트랙과 환경설정.
트랙 그림, 학습을 위한 모든 환경설정이 필요하다. (다른 논문들 참고하기)
4 - 2. 결과
모델들의 주행경로 사진을 제공하면서 이에 대한 통찰을 제공하기. -
결론
