Memahami jenis balap dan mengaktifkan sensor yang didukung oleh AWS DeepRacer - AWS DeepRacer
Pilih sensorMengonfigurasi agen Anda untuk pelatihanPelatihan penjahit untuk uji waktuPelatihan penjahit untuk balapan penghindaran objekPelatihan penjahit untuk head-to-bot balapan

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Memahami jenis balap dan mengaktifkan sensor yang didukung oleh AWS DeepRacer

Di DeepRacer Liga AWS, Anda dapat berpartisipasi dalam tipe peristiwa balap berikut:

  • Waktu uji coba: berpacu dengan waktu di lintasan yang tidak terhalang dan bertujuan untuk mendapatkan waktu putaran tercepat.

  • Penghindaran objek: berpacu dengan waktu di lintasan dengan rintangan stasioner dan bertujuan untuk mendapatkan waktu putaran tercepat.

  • ead-to-bot Balapan T: balapan dengan satu atau lebih kendaraan lain di lintasan yang sama dan bertujuan untuk melewati garis finis sebelum kendaraan lain.

Perlombaan DeepRacer komunitas AWS saat ini hanya mendukung uji coba waktu.

Anda harus bereksperimen dengan berbagai sensor DeepRacer kendaraan AWS untuk memberikannya kemampuan yang memadai untuk mengamati sekelilingnya pada jenis balapan tertentu. Bagian selanjutnya menjelaskan Sensor yang DeepRacer didukung AWS yang dapat mengaktifkan tipe peristiwa balap mandiri yang didukung.

Pilih sensor untuk jenis DeepRacer balap AWS

DeepRacer Kendaraan AWS Anda dilengkapi dengan kamera depan monokular sebagai sensor default. Anda dapat menambahkan kamera depan monokular lainnya untuk membuat kamera depan stereo atau untuk melengkapi kamera monokular atau kamera stereo dengan unit LiDAR.

Daftar berikut merangkum kemampuan fungsional sensor yang DeepRacer didukung AWS, bersama dengan cost-and-benefit analisis singkat:

Kamera depan

Kamera depan berlensa tunggal dapat menangkap gambar lingkungan di depan kendaraan host, termasuk batas dan bentuk lintasan. Ini adalah sensor yang paling murah dan cocok untuk menangani tugas mengemudi sendiri yang lebih sederhana, seperti uji coba waktu bebas rintangan di lintasan yang ditandai dengan baik. Dengan pelatihan yang tepat, kendaraan dapat menghindari rintangan stasioner lokasi tetap di lintasan. Namun, informasi lokasi rintangan dibangun ke dalam model yang terlatih dan, sebagai hasilnya, model tersebut kemungkinan overfitted dan mungkin tidak digeneralisasikan ke penempatan rintangan lainnya. Dengan objek stasioner ditempatkan di lokasi acak atau kendaraan bergerak lainnya di lintasan, model tidak mungkin menyatu.

Di dunia nyata, DeepRacer kendaraan AWS dilengkapi dengan kamera depan lensa tunggal sebagai sensor default. Kamera memiliki lensa sudut lebar 120 derajat dan menangkap gambar RGB yang kemudian diubah menjadi gambar skala abu-abu 160 x 120 piksel pada 15 frame per detik (fps). Properti sensor ini dipertahankan dalam simulator untuk memaksimalkan peluang model yang terlatih men-transfer dengan baik dari simulasi ke dunia nyata.

Kamera depan stereo

Kamera stereo memiliki dua lensa atau lebih yang menangkap gambar dengan resolusi dan frekuensi yang sama. Gambar dari kedua lensa digunakan untuk menentukan kedalaman objek yang diamati. Informasi mendalam dari kamera stereo sangat berharga bagi kendaraan host untuk menghindari menabrak rintangan atau kendaraan lain di depan, terutama di bawah lingkungan yang lebih dinamis. Namun, informasi mendalam yang ditambahkan membuat pelatihan menjadi lebih lambat.

Pada kendaraan DeepRacer fisik AWS, kamera stereo lensa ganda dibangun dengan menambahkan kamera lensa tunggal lainnya dan pemasangan setiap kamera di sisi kiri dan kanan kendaraan. DeepRacer Perangkat lunak AWS menyinkronkan pengambilan gambar dari dua kamera. Gambar yang diambil diubah menjadi skala abu-abu, ditumpuk, dan dimasukkan ke dalam jaringan neural untuk inferensi. Mekanisme yang sama diduplikasi dalam simulator untuk melatih model untuk menggeneralisasi dengan baik ke lingkungan dunia nyata.

Sensor LiDAR

Sensor LiDAR menggunakan laser berputar untuk mengirimkan gelombang sinar di luar spektrum yang terlihat dan berapa lama waktu yang dibutuhkan setiap gelombang untuk kembali. Arah dan jarak ke objek yang terkena gelombang tertentu dicatat sebagai titik dalam peta 3D besar yang berpusat di sekitar unit LiDAR.

Misalnya, LiDAR membantu mendeteksi titik buta kendaraan host untuk menghindari tabrakan saat kendaraan berpindah jalur. Dengan menggabungkan LiDAR dengan kamera mono atau stereo, Anda memungkinkan kendaraan host menangkap informasi yang cukup untuk mengambil tindakan yang tepat. Namun, sensor LiDAR lebih mahal dibandingkan dengan kamera. Jaringan neural harus belajar cara menafsirkan data LiDAR. Dengan demikian, pelatihan akan membutuhkan waktu lebih lama untuk menyatu.

Pada kendaraan DeepRacer fisik AWS, sensor LiDAR dipasang di bagian belakang dan dimiringkan ke bawah sebesar 6 derajat. Sensor ini berputar dengan kecepatan sudut 10 putaran per detik dan memiliki jangkauan 15cm hingga 2m. Sensor dapat mendeteksi objek di belakang dan di samping kendaraan host serta benda-benda tinggi yang tidak terhalang oleh bagian depan kendaraan. Sudut dan jangkauan tersebut dipilih untuk membuat unit LiDAR tidak terlalu rentan terhadap kebisingan lingkungan.

Anda dapat mengonfigurasi DeepRacer kendaraan AWS dengan kombinasi sensor yang didukung berikut:

  • Kamera depan lensa tunggal saja.

    Konfigurasi ini bagus untuk uji waktu, serta menghindari rintangan dengan objek di lokasi tetap.

  • Kamera depan stereo saja.

    Konfigurasi ini bagus untuk menghindari rintangan dengan objek di lokasi tetap atau acak.

  • Kamera depan lensa tunggal dengan LiDAR.

    Konfigurasi ini bagus untuk menghindari rintangan atau head-to-bot balapan.

  • Kamera depan stereo dengan LiDAR.

    Konfigurasi ini bagus untuk menghindari rintangan atau head-to-bot balapan, tetapi mungkin tidak paling ekonomis untuk uji coba waktu.

Saat menambahkan lebih banyak sensor untuk membuat DeepRacer kendaraan AWS Anda beralih dari uji waktu ke penghindaran objek ke head-to-bot balap, kendaraan mengumpulkan lebih banyak data tentang lingkungan untuk diumpan ke dalam jaringan neural yang mendasarinya dalam pelatihan. Hal ini membuat pelatihan lebih menantang karena model diperlukan untuk menangani kompleksitas yang meningkat. Pada akhirnya, tugas Anda untuk belajar melatih model menjadi lebih menantang.

Untuk belajar secara progresif, Anda harus mulai berlatih untuk uji coba waktu terlebih dahulu sebelum beralih ke penghindaran objek dan kemudian ke head-to-bot balap. Anda akan menemukan rekomendasi yang lebih detail di bagian berikutnya.

Mengonfigurasi agen untuk melatih DeepRacer model AWS

Untuk melatih model pembelajaran penguatan bagi DeepRacer kendaraan AWS untuk balapan dalam menghindari rintangan atau head-to-bot balapan, Anda perlu mengonfigurasi agen dengan sensor yang sesuai. Untuk uji coba waktu sederhana, Anda dapat menggunakan agen default yang dikonfigurasi dengan kamera lensa tunggal. Dalam mengonfigurasi agen, Anda dapat menyesuaikan ruang tindakan dan memilih topologi jaringan neural sehingga bekerja lebih baik dengan sensor yang dipilih untuk memenuhi persyaratan mengemudi yang diinginkan. Selain itu, Anda dapat mengubah penampilan agen untuk identifikasi visual selama pelatihan.

Setelah Anda mengonfigurasinya, konfigurasi agen dicatat sebagai bagian dari metadata model untuk pelatihan dan evaluasi. Untuk evaluasi, agen secara otomatis mengambil konfigurasi yang dicatat untuk menggunakan sensor, ruang tindakan, dan teknologi jaringan neural yang ditentukan.

Bagian ini memandu Anda melalui langkah-langkah untuk mengonfigurasi agen di DeepRacer konsol AWS.

Untuk mengonfigurasi DeepRacer agen AWS di DeepRacer konsol AWS

  1. Masuk ke DeepRacerkonsol AWS.

  2. Pada panel navigasi utama, pilih Garasi.

  3. Jika pertama kalinya Anda menggunakan Garasi, Anda akan disajikan dengan kotak dialog SELAMAT DATANG DI GARASI. Pilih > atau < telusuri pengenalan berbagai sensor yang didukung untuk DeepRacer kendaraan AWS atau pilih X untuk menutup kotak dialog. Anda dapat menemukan informasi pengantar ini dalam panel bantuan di Garasi.

  4. Pada halaman Garasi, pilih Bangun kendaraan baru.

  5. Pada halaman Mod kendaraan Anda sendiri, di bawahSpesifikasi Mod, pilih satu sensor atau lebih untuk mencoba dan mempelajari kombinasi terbaik yang dapat memenuhi tipe balap yang Anda inginkan.

    Untuk melatih uji waktu DeepRacer kendaraan AWS Anda, pilih Kamera. Anda ingin menggunakan tipe sensor lainnya, untuk head-to-bot balapan menghindari rintangan atau balapan, Anda ingin menggunakan tipe sensor lainnya. Untuk memilih Kamera stereo, pastikan Anda telah memperoleh kamera lensa tunggal tambahan. AWS DeepRacer membuat kamera stereo mengeluarkan dua kamera lensa tunggal. Anda dapat memiliki kamera lensa tunggal atau kamera stereo lensa ganda dalam satu kendaraan. Dalam kedua kasus tersebut, Anda dapat menambahkan sensor LiDAR ke agen jika Anda hanya ingin model terlatih dapat mendeteksi dan menghindari titik buta dalam penghindaran rintangan atau head-to-bot balap.

  6. Pada halaman Garasi dan di bawah Topologi jaringan neural, pilih topologi jaringan yang didukung.

    Secara umum, jaringan neural yang lebih dalam (dengan lebih banyak lapisan) lebih cocok untuk mengemudi di lintasan yang lebih rumit dengan tikungan yang banyak dan tajam, untuk balapan menghindari rintangan stasioner, atau bersaing dengan kendaraan lain yang bergerak. Tetapi jaringan neural yang lebih dalam lebih mahal untuk dilatih dan model membutuhkan waktu lebih lama untuk menyatu. Di sisi lain, jaringan yang lebih dangkal (dengan lebih sedikit lapisan) lebih murah dan membutuhkan waktu yang lebih singkat untuk dilatih. Model yang terlatih mampu menangani kondisi lintasan atau persyaratan mengemudi yang lebih sederhana, seperti uji waktu di lintasan bebas rintangan tanpa pesaing.

    Secara khusus, AWS DeepRacer mendukung 3 lapisan CNN atau 5 lapis CNN.

  7. Pada halaman Garasi, pilih Selanjutnya untuk melanjutkan ke pengaturan ruang tindakan agen.

  8. Pada halaman Ruang aksi, biarkan pengaturan tetap default untuk pelatihan pertama Anda. Untuk pelatihan selanjutnya, bereksperimenlah dengan pengaturan yang berbeda untuk sudut kemudi, kecepatan maksimal, dan perinciannya. Lalu, pilih Selanjutnya.

  9. Pada halaman Beri warna kendaraan Anda agar menonjol di keramaian, masukkan nama di Beri nama Anda DeepRacer lalu pilih warna untuk agen dari daftar Warna kendaraan. Lalu, pilih Kirim.

  10. Pada halaman Garasi, periksa pengaturan agen baru. Untuk melakukan modifikasi lebih lanjut, pilih Mod kendaraan dan ulangi langkah sebelumnya mulai dari Langkah 4:.

Sekarang, agen Anda sudah siap untuk latihan.

Menyesuaikan DeepRacer pelatihan AWS untuk uji coba waktu

Jika ini pertama kalinya Anda menggunakan AWS DeepRacer, Anda harus memulai dengan uji waktu sederhana untuk memahami cara melatih DeepRacer model AWS untuk mengemudikan kendaraan. Dengan cara ini, Anda mendapatkan pengenalan yang lebih halus tentang konsep dasar fungsi penghargaan, agen, lingkungan, dll. Tujuan Anda adalah melatih model untuk membuat kendaraan tetap berada di lintasan dan menyelesaikan putaran secepat mungkin. Anda kemudian dapat men-deploy model terlatih ke DeepRacer kendaraan AWS untuk tes mengemudi di lintasan fisik tanpa sensor tambahan apa pun.

Untuk melatih model untuk skenario ini, Anda dapat memilih agen default dari Garasi di DeepRacer konsol AWS. Agen default telah dikonfigurasi dengan satu kamera depan, ruang tindakan default, dan topologi jaringan neural default. Hal ini sangat membantu untuk mulai melatih DeepRacer model AWS dengan agen default sebelum beralih ke yang lebih canggih.

Untuk melatih model Anda dengan agen default, ikuti rekomendasi di bawah ini.

  1. Mulai latih model Anda dengan lintasan sederhana dengan bentuk yang lebih teratur dan belokan yang kurang tajam. Gunakan fungsi penghargaan default. Dan latih model selama 30 menit. Setelah tugas pelatihan selesai, evaluasi model Anda di lintasan yang sama untuk melihat apakah agen dapat menyelesaikan satu putaran.

  2. Baca tentang parameter fungsi penghargaan. Lanjutkan pelatihan dengan insentif yang berbeda untuk memberi penghargaan kepada agen agar bekerja lebih cepat. Perpanjang waktu pelatihan untuk model berikutnya menjadi 1 - 2 jam. Bandingkan grafik penghargaan antara pelatihan pertama dan pelatihan kedua. Teruslah bereksperimen hingga grafik penghargaan berhenti meningkat.

  3. Baca selengkapnya tentang ruang tindakan. Latih model untuk ketiga kalinya dengan meningkatkan kecepatan maksimal (misalnya 1 m/s). Untuk memodifikasi ruang tindakan, Anda harus membangun agen baru di Garasi, ketika mendapat kesempatan untuk melakukan modifikasi. Saat memperbarui kecepatan maksimal agen Anda, hati-hati bahwa semakin tinggi kecepatan, semakin cepat agen dapat menyelesaikan lintasan dalam evaluasi dan semakin cepat DeepRacer kendaraan AWS dapat menyelesaikan putaran di lintasan fisik. Namun, kecepatan maksimal yang tinggi sering kali berarti waktu yang lebih lama bagi pelatihan untuk menyatu karena agen lebih cenderung melakukan overshoot pada tikungan dan sampai keluar lintasan. Anda mungkin ingin mengurangi perincian untuk memberi lebih banyak ruang pada agen untuk mempercepat atau memperlambat dan lebih lanjut mengubah fungsi penghargaan dengan cara lain untuk membantu pelatihan menyatu lebih cepat. Setelah pelatihan menyatu, evaluasi model ketiga untuk melihat apakah waktu putaran meningkat. Teruslah menjelajah sampai tidak ada perbaikan lagi.

  4. Pilih lintasan yang lebih rumit dan ulangi Langkah 1 ke Langkah 3. Evaluasi model Anda pada lintasan yang berbeda dari lintasan yang biasa Anda latih untuk melihat bagaimana model dapat digeneralisasi ke lintasan virtual yang berbeda digeneralisasikan ke lingkungan dunia nyata.

  5. (Opsional) Bereksperimenlah dengan nilai hyperparameter yang berbeda untuk meningkatkan proses pelatihan dan ulangi Langkah 1 ke Langkah 3.

  6. (Opsional) Periksa dan analisis DeepRacer log AWS. Untuk kode sampel yang dapat Anda gunakan untuk menganalisis log, lihat https://github.com/aws-samples/aws-deepracer-workshops /tree/master/log-analisis.

Menyesuaikan DeepRacer pelatihan AWS untuk balapan penghindaran objek

Setelah Anda terbiasa dengan uji coba waktu dan telah melatih beberapa model gabung, lanjutkan ke tantangan berikutnya yang lebih menantang, yaitu menghindari rintangan. Di sini, tujuan Anda adalah melatih model yang dapat menyelesaikan putaran secepat mungkin tanpa keluar lintasan, sambil menghindari tabrakan dengan benda yang ditempatkan di lintasan. Ini jelas merupakan masalah yang lebih sulit bagi agen untuk dipelajari, dan pelatihan membutuhkan waktu lebih lama untuk menyatu.

DeepRacer Konsol AWS mendukung dua jenis pelatihan penghindaran rintangan: rintangan dapat ditempatkan di lokasi tetap atau acak di sepanjang lintasan. Dengan lokasi tetap, rintangan tetap di tempat yang sama selama tugas pelatihan. Dengan lokasi acak, rintangan mengubah tempat secara acak dari episode ke episode.

Lebih mudah bagi pelatihan menyatu untuk penghindaran rintangan lokasi tetap karena sistem memiliki derajat kebebasan yang lebih sedikit. Namun, model dapat menjadi overfit ketika informasi lokasi dimasukkan ke dalam model terlatih. Akibatnya, model mungkin terlalu pas dan mungkin tidak dapat digeneralisasi dengan baik. Untuk menghindari rintangan yang diposisikan secara acak, lebih sulit bagi pelatihan untuk menyatu karena agen harus terus belajar untuk menghindari menabrak rintangan di lokasi yang belum pernah dilihat sebelumnya. Namun, model yang dilatih dengan opsi ini cenderung menggeneralisasi lebih baik dan mentransfer dengan baik ke balapan dunia nyata. Untuk memulai, letakkan rintangan di lokasi tetap, kenali perilakunya, lalu atasi lokasi acak.

Dalam DeepRacer simulator AWS, rintangannya adalah kotak berbentuk kubus dengan dimensi yang sama (9,5" (P) x 10/5" (L) x 10/5" (L) x 10/5" (L) sebagai kotak paket DeepRacer kendaraan AWS. Hal ini membuat agen lebih mudah untuk men-transfer model terlatih dari simulator ke dunia nyata jika Anda menempatkan kotak paket sebagai penghalang di jalur fisik.

Untuk bereksperimen dengan penghindaran rintangan, ikuti praktik rekomendasi yang diuraikan dalam langkah-langkah di bawah ini:

  1. Gunakan agen default atau bereksperimen dengan sensor dan ruang tindakan baru dengan menyesuaikan agen yang ada atau membuat yang baru. Anda harus membatasi kecepatan maksimal di bawah 0,8 m/s dan perincian kecepatan hingga 1 atau 2 tingkat.

    Mulai latih model selama sekitar 3 jam dengan 2 objek di lokasi tetap. Gunakan fungsi penghargaan contoh dan latih model di lintasan yang akan Anda ikuti, atau yang sangat mirip dengan lintasan tersebut. Lintasan AWS DeepRacer Smile Speedway (Intermediate) adalah lintasan sederhana, menjadi pilihan yang bagus untuk persiapan balapan summit. Evaluasi model di lintasan yang sama dengan jumlah rintangan yang sama. Perhatikan bagaimana total penghargaan yang diharapkan menyatu, jika ada.

  2. Baca tentang parameter fungsi penghargaan. Bereksperimenlah dengan variasi fungsi penghargaan Anda. Tingkatkan jumlah rintangan menjadi 4. Latih agen untuk melihat apakah pelatihan menyatu dalam jumlah waktu yang sama. Jika tidak, atur kembali fungsi penghargaan Anda, turunkan kecepatan maksimal atau kurangi jumlah rintangan, dan latih agen lagi. Ulangi percobaan sampai tidak ada peningkatan yang lebih signifikan.

  3. Sekarang, lanjutkan ke pelatihan menghindari rintangan di lokasi acak. Anda harus mengonfigurasi agen dengan sensor tambahan, yang tersedia dari Garasi di DeepRacer konsol AWS. Anda bisa menggunakan kamera stereo. Atau Anda dapat menggabungkan unit LiDAR dengan kamera lensa tunggal atau kamera stereo, tetapi akan membutuhkan waktu pelatihan yang lebih lama. Atur ruang tindakan dengan kecepatan maksimal yang relatif rendah (misalnya 2 m/s) agar pelatihan dapat menyatu lebih cepat. Untuk arsitektur jaringan, gunakan jaringan neural dangkal, yang kira-kira cukup untuk menghindari rintangan.

  4. Mulai pelatihan agen baru selama 4 jam untuk menghindari rintangan dengan 4 objek yang ditempatkan secara acak di lintasan sederhana. Kemudian evaluasi model Anda di lintasan yang sama untuk melihat apakah model tersebut dapat menyelesaikan putaran dengan rintangan yang diposisikan secara acak. Jika tidak, Anda mungkin ingin mengubah fungsi penghargaan, mencoba sensor yang berbeda dan memiliki waktu pelatihan yang lebih lama. Sebagai tips lainnya, Anda dapat mencoba mengkloning model yang ada untuk melanjutkan pelatihan guna memanfaatkan pengalaman yang telah dipelajari sebelumnya.

  5. (Opsional) Pilih kecepatan maksimal yang tinggi untuk ruang tindakan atau letakkan lebih banyak rintangan secara acak di sepanjang lintasan. Bereksperimenlah dengan berbagai kombinasi sensor dan sesuaikan fungsi penghargaan dan nilai hyperparameter. Percobaan dengan topologi jaringan 5 lapisan CNN. Kemudian, latih kembali model untuk menentukan bagaimana pengaruhnya terhadap konvergensi pelatihan.

Menyesuaikan DeepRacer pelatihan AWS untuk head-to-bot balapan

Setelah melalui pelatihan menghindari rintangan, Anda sekarang siap untuk menghadapi tantangan tingkat berikutnya: model pelatihan untuk head-to-bot balapan. Berbeda dengan peristiwa penghindaran rintangan, head-to-bot balap memiliki lingkungan yang dinamis dengan kendaraan yang bergerak. Tujuan Anda adalah melatih model DeepRacer kendaraan AWS untuk bersaing dengan kendaraan lain yang bergerak untuk mencapai garis finis terlebih dahulu tanpa keluar lintasan atau menabrak kendaraan lain. Di DeepRacer konsol AWS, Anda dapat melatih model head-to-bot balap dengan meminta agen Anda bersaing dengan 1-4 kendaraan otonom. Secara umum, Anda harus memiliki lebih banyak rintangan yang ditempatkan di lintasan yang lebih panjang.

Setiap kendaraan otonom mengikuti jalur yang telah ditentukan dengan kecepatan konstan. Anda dapat mengaktifkannya untuk mengubah jalur atau tetap berada di jalur awalnya. Mirip dengan pelatihan untuk menghindari rintangan, Anda dapat membuat kendaraan otonom yang didistribusikan secara merata di seluruh lintasan di kedua jalur. Konsol membatasi Anda untuk memiliki sampai 4 kendaraan otonom di lintasan. Memiliki lebih banyak kendaraan yang bersaing di lintasan memberi agen pembelajaran lebih banyak peluang untuk menghadapi situasi yang lebih bervariasi dengan kendaraan lain. Dengan cara ini, agen belajar lebih banyak dalam satu tugas pelatihan dan dilatih lebih cepat. Namun, setiap pelatihan cenderung membutuhkan waktu yang lebih lama untuk menyatu.

Untuk melatih agen dengan kendaraan otonom, Anda harus mengatur kecepatan maksimum ruang tindakan agen lebih tinggi daripada kecepatan (konstan) kendaraan otonom sehingga agen memiliki lebih banyak peluang lewat selama pelatihan. Sebagai titik awal yang baik, Anda harus mengatur kecepatan tertinggi agen pada 0,8 m/s dan kecepatan gerak kendaraan otonom pada 0,4 m/s. Jika Anda mengaktifkan bot untuk mengubah jalur, pelatihan menjadi lebih menantang karena agen harus belajar selain menghindari menabrak kendaraan yang bergerak di depan pada jalur yang sama tetapi juga bagaimana untuk menghindari menabrak kendaraan bergerak lain di depan dalam jalur lain. Anda dapat mengatur otonom untuk mengubah jalur secara acak. Panjang interval dipilih secara acak dari rentang waktu (misalnya 1 hingga 5 detik) yang Anda tentukan sebelum memulai tugas pelatihan. Perilaku mengubah jalur ini lebih mirip dengan perilaku head-to-bot balap dunia nyata dan agen terlatih harus menghasilkan yang lebih baik. Namun, dibutuhkan waktu lebih lama untuk melatih model agar menyatu.

Ikuti langkah-langkah yang disarankan ini untuk mengulangi pelatihan Anda untuk head-to-bot balapan:

  1. Di Garasi DeepRacer konsol AWS, bangun agen pelatihan baru yang dikonfigurasi dengan kamera stereo dan unit LiDAR. Hal ini dimungkinkan untuk melatih model yang relatif bagus dengan menggunakan kamera stereo melawan kendaraan otonom. LiDAR membantu mengurangi titik buta saat agen berpindah jalur. Jangan atur kecepatan maksimal terlalu tinggi. Titik awal yang baik adalah 1 m/s.

  2. Untuk melatih head-to-bot balap, mulailah dengan dua kendaraan otonom. Atur kecepatan gerak otonom lebih rendah dari kecepatan maksimal agen Anda (misalnya 0,5 m/s jika kecepatan maksimal agen adalah 1 m/s). Nonaktifkan opsi perubahan jalur, lalu pilih agen pelatihan yang baru saja Anda buat. Gunakan salah satu contoh fungsi penghargaan atau buat modifikasi minimal seperlunya, lalu latih selama 3 jam. Gunakan lintasan yang akan Anda gunakan untuk balapan, atau lintasan yang sangat mirip dengan lintasan itu. Lintasan AWS DeepRacer Smile Speedway (Intermediate) adalah lintasan sederhana, menjadi pilihan yang bagus untuk persiapan balapan summit. Setelah pelatihan selesai, evaluasi model yang dilatih pada lintasan yang sama.

  3. Untuk tugas yang lebih menantang, kloning model terlatih Anda untuk model head-to-bot balap kedua. Lanjutkan untuk bereksperimen dengan lebih banyak kendaraan otonom atau mengaktifkan opsi perubahan lintasan. Mulailah dengan operasi perubahan jalur lambat pada interval acak yang lebih dari 2 detik. Anda mungkin juga ingin bereksperimen dengan fungsi penghargaan khusus. Secara umum, logika fungsi penghargaan khusus Anda dapat serupa dengan logika untuk menghindari rintangan, jika Anda tidak mempertimbangkan keseimbangan antara melebihi kendaraan lain dan tetap berada di lintasan. Tergantung pada seberapa bagus model sebelumnya, Anda mungkin perlu berlatih 3 hingga 6 jam lagi. Evaluasi dan lihat bagaimana performa model Anda.