U T

この会では、私は、これまで参加していたメンバーに戦略立案、計画の構築そして実行してもらうように促しました。 前回と比べて本競技会からレーストラックが変わりました。特にあるコーナ地点では、インサイドコーナ地点にジグザグ道に置かれたドラム缶があります。自動運転中に少しでもドラム缶に当たると車が走れなくなりますが、ジグザグ道を通ることで、後続車と1~2秒難速く通れます。 競技会には、私たち４チームを含めて11チームの参加となりました。 競技会は、タイムアタックの予選リーグと予選リーグから4チームがトーナメント出場する形で勝敗を決めます。 私たちは、トーナメントで私たちのチームから2位に入賞した結果を得ました。そのほかにも私たちの走行時間順で並べると、上位から2, 3, 4番目に入っています。

自動運転を決められたコース内で早く３周ゴールする大会に参加しました。 これまでのレースではインターネットの遅延により、自動運転のパフォーマンスが発揮できませんでした。 今回のレースでは遅延を解消することに取り組みました。 シミュレータサーバはアメリカにあるため、シミュレータから送られてくる走行画像には遅延があります。シミュレータサーバ内Dockerコンテナの作成する許可を得て、DockerImageとDockerContainerの作成を行いました。遅延時間は解消されました。 遅延時間はpingコマンドで計測しました。 日本→アメリカ : 平均135ms Dockerコンテナ: 平均0.1ms 「Ahoy!」という名前で参加しています。 レース結果は 予選リーグを28.12秒で3位で通過 決勝トーナメントでは壁にぶつかり、初戦敗退

1/16スケールの車に深層学習を用いて運転しています。しかし、深層学習は処理が複雑であり、時間がかかります。一方で、自動運転はリアルタイムでの処理が必要です。また、1/16スケールの車に乗せられるコンピュータは限定的です。 これらのことから、限られた計算機資源を深層学習をいかに効率的に処理するのかがポイントないなります。 私は、TensorRTという計算処理の最適化をするツールにResNet18という18層の畳込み演算を行うニューラルネットワークで決められたコース内で自動運転することに成功しました。 今後の目標として複雑なニューラルネットワークを限られた計算機で自動運転することを目指します。