نوقشت رسالة الماجستير للطالب (يحيى غفران خضر) من قسم هندسة الميكاترونيكس يوم الخميس الموافق ٢٠٢٢/١٢/٨في قاعة مناقشات الدراسات العليا في الكلية وكانت اللجنة برئاسة (ا. د. محمد يوسف حسن) التدريسي من الجامعة التكنولوجية وعضوية كل من (ا. م. د. منى هادي صالح) التدريسية من كلية الهندسة جامعة بغداد و(ا. م. د. مالك محمد علي) التدريسي من كلية الهندسة الخوارزمي واشراف (ا. د. امير حسين مراد). مدير وحدة التعليم المستمر وتدريسي في كلية الهندسة الخوارزمي استمعت اللجنة الى الطالب واعلنت الدرجة التي حصل عليها تقدير (امتياز) لتقديم بحثه الذي كان الخلاصة منه. تؤثر السيارات ذاتية القيادة على نمو المجتمع والاقتصاد بسبب أهميتها في العلوم والتكنولوجيا. التعلم العميق (DL) هو مفهوم معروف في الذكاء الاصطناعي (AI). في السنوات الأخيرة ، حققت أنظمةb السيارات ذاتية القيادة القائمة على التعلم العميق نجاحًا كبيرًا. اعدت درست دراسات مختلفة لمجموعة من التقنيات الرئيسية للسيارات ذاتية القيادة ، بما في ذلك أنظمة الملاحة في السيارات ، وتخطيط المسار ، والإدراك البيئي ، بالإضافة إلى التحكم في السيارة. يحول التحكم في التعلم الشامل مباشرة البيانات الحسية إلى أوامر تحكم في القيادة الذاتية. تهدف هذا الرسالة إلى تحديد أدق الشبكات العصبية العميقة (DNN) المدربة مسبقًا للتنبؤ بزاوية التوجيه لمركبة ذاتية القيادة مناسبة للتطبيق على تقنيات السيارات المدمجة ذات الأداء المحدود. تمت مقارنة ثلاثة نماذج معروفة مدربة مسبقًا في هذه الدراسة: AlexNet و ResNet18 و DenseNet121.
في الجزء الاول, تم استخدام تعلم النقل عن طريق تغيير الطبقة النهائية من النماذج المدربة مسبقًا للتنبؤ بزاوية توجيه السيارة. تم إجراء التجارب على البيانات التي تم جمعها من مسارين مختلفين. وفقًا لنتائج الدراسة ، فإن ResNet18 و DenseNet121 لديهما أقل نسبة خطأ لقيم زاوية التوجيه. علاوة على ذلك ، تم تقييم أداء النماذج المعدلة على مسارات محددة مسبقًا. تفوقت ResNet18 على DenseNet121 من حيث الدقة ، مع انحراف أقل عن مركز المسار ، بينما أظهر DenseNet121 قدرة أكبر على التكيف عبر مسارات متعددة ، مما أدى إلى تناسق أداء أفضل.
في الجزء الثاني، يُقترح التنقل القائم على الرؤية القائمة على الشبكة العصبية العميقة (DNN) للمركبات ذاتية القيادة. يحصل هذا النظام الجديد القائم على DNN على البيانات من كاميرا واحدة لتوفير مخرجات التحكم في السيارة التي تعدل كلاً من زاوية عجلة القيادة وسرعة السيارة. بالإضافة إلى ذلك ، يلعب دورًا رئيسيًا في التنقل الآمن للمركبة في بيئة حركة المرور على الطرق. باستخدام نظام مضمن يسمى Jetson Nano 2GB ، تم تدريب النموذج المصمم واختباره باستخدام الصور التي تم جمعها على طول مسارين مختلفين. يتنبأ نظام القيادة المستقل القائم على DNN بنجاح السرعة وقيم التوجيه بمتوسط خطأ 1.58٪ ويحافظ على الأداء ، مما يسمح بالقيادة الذاتية عالية الكفاءة. علاوة على ذلك ، تحافظ شبكة DNN المقترحة على الأداء ، وتحقق نجاحًا في القيادة الذاتية بكفاءة مماثلة لنماذج القيادة المستقلة الأخرى. يتناسب الهيكل الخفيف الوزن مع الأداء الرائع بشكل خاص للقيادة الذاتية.

Comments are disabled.