Analyse de données
Voitures autonomes avec DDQN
Un agent Double Deep Q-Network qui apprend à conduire une voiture sur des circuits personnalisés, avec un simulateur pour dessiner les circuits, entraîner, sauvegarder et rejouer les modèles.
- Type
- Projet de fin de spécialisation, voitures autonomes
- Rôle
- Ingénieur machine learning
- Période
- sept. 2021 à mai 2022
- Statut
- Terminé
DDQN
algorithme, implémenté avec TensorFlow
247
jours entre le début et le rapport final
En direct
suivi de l'entraînement avec scores et taux d'apprentissage
L'idée
Apprendre à une voiture à conduire à partir de capteurs bruts, sans données étiquetées, et rendre l'entraînement assez visible pour le régler et l'expliquer.
Ce que j'ai construit
Une implémentation TensorFlow de Double DQN avec mémoire de rejeu et un simulateur Pyglet. Les circuits et objectifs se dessinent dans l'outil, les modèles se sauvegardent et se rechargent, et les courbes d'apprentissage et les scores s'affichent en direct.
Le résultat
Livré comme projet final de la spécialisation, avec un article et un rapport de projet.
Fonctionnalités clés
- Outil de dessin de circuits et d'objectifs
- Sauvegarde et chargement des modèles entraînés
- Taux d'apprentissage et scores en direct
- Mode de conduite manuel pour comparer
Captures d'écran
Circuit1 / 3
Technologies et outils
- TensorFlow
- Deep Learning
- DDQN
- Game Design
- Pyglet
- Notebook
- Python
Code Samples
DDQN Model
LoadingVous voulez un projet comme celui-ci ?
Réservez un appel gratuit de 30 minutes pour parler de votre projet. Vous recevez un devis écrit en MAD sous deux jours ouvrés.
