Caracterización e imitación de patrones de conducción en circuitos simulados

Abstract

ABSTRACT: Imitation learning is based on learning from the actions of an observed third party. One of the most common tasks being developed today based on observational learning is autonomous driving vehicles. These vehicles attempt to mimic a succession of actions by learning from one or more drivers. Although progress in this field is significant, most algorithms do not distinguish between the skill level of the drivers they imitate. This limits both the learning process and the results obtained [1]. The main objective of this dissertation is to propose a classification model that can distinguish between different drivers solely on the basis of their driving style. And, sub sequently, to be able to replicate these learned patterns. All this developed within a driving simulator that allows to save the driving data of the users who test it. 1. Design and implement a driving simulator with different circuits of varying difficulty that allows to save all the data concerning the driving of the users who play with this simulator. 2. Develop a classification model through imitation learning that is able to identify different users who have previously driven based on simulator records. 3. Modify the above model so that it is able to mimic the behaviour of users, at least on circuits where they have previously driven. For the development of the model, we will follow the methodology used in [5], based on dynamic Bayesian networks with latent variables.

RESUMEN: El aprendizaje por imitación se basa en aprender a partir de las acciones de un tercero que es observado. Una de las tareas más comunes que hoy en día se están desarrollando en base a el aprendizaje por observación es la conducción autónoma de vehículos. Estos vehículos intentan imitar una sucesión de acciones aprendiendo de uno o varios conductores. Aunque el avance en este campo es significativo la mayor parte de los algoritmos no distingue entre el nivel de destreza de los conductores que imita. Esto limita tanto el proceso de aprendizaje como los resultados obtenidos [1]. El objetivo principal de este TFG es proponer un modelo de clasificación que permita distinguir entre diferentes conductores únicamente a través de su estilo de conducción. Y, posteriormente, que sea capaz de replicar dichos patrones aprendidos. Todo esto desarrollado dentro de un simulador de conducción que permita guardar los datos de conducción de los usuarios que lo prueben. 1. Diseñar e implementar un simulador de conducción con distintos circuitos de dificultad variable que permita guardar todos los datos referentes a la conducción de los usuarios que jueguen con dicho simulador. 2. Desarrollar un modelo de clasificación a través del aprendizaje por imitación que a partir de los registros del simulador sea capaz de identificar a los distintos usuarios que hayan conducido previamente. 3. Modificar el modelo anterior de manera que sea capaz de imitar el comportamiento de los usuarios, al menos en circuitos en los que hayan conducido previamente. Para el desarrollo del modelo, seguiremos la metodología utilizada en [5], basada en redes Bayesianas dinámicas con variables latentes.