Machine Learning for Simulated Military Vehicles

Abstract

Výzkum v oblasti neuronových sítí v poslední době ukázal, že jde o velice slibnou oblast umělé inteligence. Výsledky výzkumů ukazují, že neuronové sítě jsou nyní schopné se v mnoha odvětvích přinejmenším vyrovnat člověku. Jedno z intenzivně zkoumaných odvětví je řízení autonomních vozidel. Přestože se většina lidí soustředí na autonomní vozidla v reálném světě, tato nová umělá inteligence může být přínos i pro řízení vozidel ve světě digitálním. Jelikož je v dnešní době stále více aktivit a experimentů přesouváno z reálných prostředí do prostředí simulovaných, vzrůstají také požadavky na kvalitu umělé inteligence, která se v digitálních prostředích nachází. Cílem této práce bylo prozkoumat možnosti umělé inteligence založené na hlubokém zpětnovazebném učení v oblasti parkování simulovaných vozidel. Na základě tohoto průzkumu jsme vytvořili prototyp neuronové sítě a tento prototyp ohodnotili při parkování v simulovaném prostředí.

Recent research in the field of neural networks has shown that this is a very promising area of artificial intelligence. Results of the research indicate that neural networks are currently able to at least match humans in many areas. One of the intensively researched sectors is the driving of autonomous vehicles. Although most people focus on autonomous vehicles in the real world, this new artificial intelligence can also be beneficial for driving in the digital world. As more and more activities and experiments are being moved from real environments to simulated environments, the demands on the quality of artificial intelligence found in digital environments are also increasing. The aim of this work was to explore the possibilities of artificial intelligence based on deep feedback learning in the field of parking simulated vehicles. Based on this research, we created a prototype neural network and evaluated this prototype during parking in a simulated environment.