WEBVTT 00:00.300 --> 00:05.940 Hallo en weer welkom bij onze zelfrijdende auto-module, dus in deze tutorial ga ik de omgeving uitleggen 00:05.970 --> 00:11.730 waarin we onze kunstmatige intelligentie zullen implementeren en dat zal natuurlijk doorgaan met de auto die we zullen 00:11.730 --> 00:17.910 trainen om zelf te rijden en om obstakels te vermijden en waarop we enkele wegen en enkele blokken zullen 00:17.910 --> 00:20.630 tekenen zodat onze auto eromheen kan navigeren. 00:21.060 --> 00:28.090 Dus we zullen later deze kunstmatige intelligentie bouwen om deze auto te trainen, om op de weg te rijden, weet je, zonder 00:28.110 --> 00:33.430 de limiet te overschrijden en enkele obstakels te vermijden die we op de weg zullen plaatsen. 00:34.020 --> 00:35.760 Dit is dus een behoorlijk spannende uitdaging. 00:35.760 --> 00:37.920 En eigenlijk zijn er twee aparte bestanden. 00:37.920 --> 00:44.490 Zoals je kunt zien, is er de APACS en voelde dat onze kunstmatige intelligentie die alle training zal doen om de auto te 00:44.730 --> 00:46.800 trainen, hoe te verkopen, te rijden. 00:47.100 --> 00:49.050 En we hebben de kaart die mooi gevonden heeft. 00:49.050 --> 00:51.620 Dat is de code die deze hele omgeving maakt. 00:51.990 --> 00:53.130 Dus hier is die code. 00:53.130 --> 00:56.660 Dat zijn eigenlijk tweehonderd regels code, iets meer. 00:56.970 --> 01:02.580 Dus deze code is niet typisch gerelateerd aan A. L. Het is slechts een code om de omgeving te maken om de kaart 01:02.580 --> 01:02.960 te maken. 01:03.300 --> 01:06.960 Dus ik ga elk van de secties één voor één doornemen om het uit te leggen. 01:07.080 --> 01:12.510 Maar we gaan deze code niet regel voor regel implementeren omdat we ons willen focussen op 01:12.510 --> 01:13.230 kunstmatige intelligentie. 01:13.650 --> 01:16.810 Maar laten we de secties nog steeds één voor één doornemen om te begrijpen wat er gebeurt. 01:17.220 --> 01:20.460 Dus eerst importeren we de essentiële bibliotheken. 01:20.460 --> 01:21.810 Dat is voor elke code. 01:21.930 --> 01:25.560 We hebben enkele bibliotheken nodig om sommige taken efficiënter uit te voeren. 01:26.370 --> 01:28.530 Dan importeren we alle cavey-pakketten. 01:28.710 --> 01:32.850 Dat is dus niet zo belangrijk, want dit is allemaal specifiek voor Caveh. 01:33.150 --> 01:38.790 We gebruiken Cavey om de kaart te maken en daarom importeren we veel klassen en objecten om deze kaart te kunnen maken 01:38.790 --> 01:41.340 en wat tools aan de kaart toe te voegen. 01:42.030 --> 01:44.120 Oké, dan is deze regel belangrijk. 01:44.280 --> 01:52.290 Deze regel is verwant omdat dit in feite is waar we ons brein importeren, het brein van de auto, dat 01:52.560 --> 01:55.980 een object zal zijn van deze ontstemde klasse. 01:56.280 --> 02:00.120 En de DeQuan-klasse is onze kunstmatige intelligentie zelf. 02:00.420 --> 02:04.200 U zult zien dat we de GQ in de klas zullen implementeren in de volgende tutorials. 02:04.500 --> 02:09.270 En zoals je misschien al geraden had, staat DeQuan voor deep cube-netwerken. 02:09.540 --> 02:12.180 Dus gaan we een deep learning netwerk implementeren. 02:12.420 --> 02:19.020 En als het klaar is, importeren we het hier met deze regel uit de A. L. En de ogen zijn 02:19.020 --> 02:21.060 natuurlijk een pythonbestand. 02:21.810 --> 02:22.230 Oke. 02:22.240 --> 02:24.230 Dus kan niet wachten om dit te implementeren. 02:24.300 --> 02:25.620 Dit wordt een hele reis. 02:25.920 --> 02:31.650 Maar je zult zien dat dit heel spannend gaat worden want dankzij de A. L. , zal de auto zelf 02:31.650 --> 02:32.520 kunnen rijden. 02:33.120 --> 02:33.660 Oke. 02:33.690 --> 02:38.580 En nu, voordat ik verder ga met de volgende secties, moeten we uitleggen hoe we deze auto gaan trainen. 02:38.850 --> 02:43.620 Ik ga het neurale netwerk nu niet uitleggen, maar ik ga het idee uitleggen van hoe 02:43.620 --> 02:47.690 we de auto gaan trainen om zelf te rijden en obstakels te vermijden. 02:48.240 --> 02:53.840 Dus, weet je, in het echte leven, als je een echte auto wilt trainen om muren of obstakels te vermijden, wat zou 02:54.240 --> 02:55.300 je dan doen? 02:55.680 --> 03:00.750 Je zou zeker geen echte muren of echte grote obstakels nemen en je auto erop slaan. 03:01.050 --> 03:02.460 Dat zou je veel geld kosten. 03:02.670 --> 03:09.990 In plaats daarvan zou een intelligenter idee zijn om je auto te straffen, niet wanneer hij tegen een muur of een obstakel botst, maar 03:10.260 --> 03:12.320 wanneer hij op wat zand belandt. 03:12.690 --> 03:13.890 Dus het is alsof je een veld hebt. 03:14.100 --> 03:19.500 Dit veld heeft enkele wegen waarop de auto moet blijven staan en de wegen zijn begrensd door wat zand. 03:19.680 --> 03:25.440 En elke keer dat de auto het zand op gaat, is het alsof hij een obstakel oprijdt, want als de auto 03:25.440 --> 03:30.990 eenmaal in het zand gaat, wordt hij afgeremd en zullen we ervoor zorgen dat de auto wordt bestraft, daarvoor wordt 03:30.990 --> 03:31.410 gestraft. 03:31.680 --> 03:34.920 En dat is een essentieel punt van kunstmatige intelligentie. 03:35.070 --> 03:39.480 De slechte beloning komt wanneer de auto in het zand gaat en wordt afgeremd. 03:40.050 --> 03:40.530 Oke. 03:40.620 --> 03:44.100 En daarom introduceer ik hier de laatste tekst. 03:44.100 --> 03:50.000 En daarom zijn dat de coördinaten van het laatste punt in het geheugen als we wat zand op de kaart tekenen. 03:50.580 --> 03:51.060 Oke. 03:51.060 --> 03:57.720 En dan krijgen we onze kunstmatige intelligentie, die we hersenen noemen, en dat bevat ons neurale netwerk. 03:57.720 --> 04:02.970 En we zullen het brein noemen, want dit is eigenlijk het brein van de auto en dat bevat ons neurale 04:02.970 --> 04:03.430 netwerk. 04:04.170 --> 04:04.640 Oke. 04:04.650 --> 04:10.080 Dus in deze regel code, zoals je kunt zien, maak ik een object van de leraar in de klas. 04:10.080 --> 04:14.190 Ik zal eraan herinneren wat klassen en objecten zijn, maar de hersenen zijn het object. 04:14.310 --> 04:19.490 DeJuan is de klas en vijf, drie en open negen zijn de ingangen van de klas. 04:19.500 --> 04:20.570 Dus dat is heel eenvoudig. 04:20.910 --> 04:26.730 Vijf komt overeen met de toestand die gecodeerde vectoren van vijf dimensies zijn. 04:26.730 --> 04:31.230 We zullen zien wat ze perfect beschrijven, wat er gebeurt in de omgeving op de kaart. 04:31.680 --> 04:38.340 Dan is drie het aantal acties. Er zullen drie mogelijke acties zijn: ga naar links, ga rechtdoor of ga 04:38.340 --> 04:40.020 naar rechts en open. 04:40.020 --> 04:43.500 Negen is de GEMAP-parameter in het deep learning-algoritme. 04:44.040 --> 04:44.430 Oke. 04:44.430 --> 04:46.650 En dan hebben we de actie om te draaien. 04:46.830 --> 04:52.710 Dus actie naar rotatie is een vector van drie elementen, nul twintig en min 20. 04:53.130 --> 04:58.890 En dus moeten we dit doen omdat de acties worden gecodeerd door drie cijfers. 04:59.070 --> 04:59.640 Nul. 04:59.760 --> 05:04.620 Eén op twee, en dat komt overeen met de indexen van deze actie tot rotatievector. 05:04.660 --> 05:12.930 Dus, bijvoorbeeld, als de actie die is geselecteerd op tijdstip T nul is, welnu, nul komt overeen met de index 05:12.930 --> 05:18.660 van deze actie tot rotatievector en de waarde van index nul is nul. 05:18.930 --> 05:26.610 En daarom gaan we rechtdoor als de geselecteerde actie er een is waarbij één overeenkomt met de index van deze 05:26.760 --> 05:32.330 actie tot rotatievector en de waarde van deze vector met index één twintig is. 05:32.670 --> 05:38.550 Dus twintig komt overeen met een rotatie van twintig graden en dat betekent dat de auto 20 graden naar rechts gaat. 05:39.090 --> 05:45.810 En als de geselecteerde actie te goed is om overeen te komen met de index, twee van deze actie naar 05:45.810 --> 05:52.010 rotatievector en daarom zal de auto een rotatie van min 20 graden maken en daarom naar links gaan. 05:52.380 --> 05:52.740 Oke. 05:52.740 --> 05:59.830 Vervolgens introduceren we de laatste beloningsvariabele, omdat we in elke staat de laatste beloning krijgen. 06:00.060 --> 06:04.680 Dus onthoud, als de auto niet in het zand gaat, zal de beloning positief zijn. 06:05.010 --> 06:09.200 En als de auto op wat zand gaat, nou, dan krijgt hij een slechte beloning. 06:09.450 --> 06:14.790 En elke keer zal deze variabele deze beloning bevatten die hij krijgt bij elke 20. 06:15.360 --> 06:21.600 En dan initialiseren we de scores, wat een vector is die de beloning zal bevatten, niet allemaal, maar de beloningen 06:21.600 --> 06:26.910 op een schuifvenster zodat, weet je, we een curve kunnen maken van de gemiddelde score van de 06:26.910 --> 06:28.680 beloning met betrekking tot tijd. 06:29.280 --> 06:29.760 Oke. 06:29.760 --> 06:32.550 Vervolgens initialiseren we in deze codesectie de kaart. 06:32.550 --> 06:35.840 Dus initialiseren we bijvoorbeeld de zandvolleybal. 06:36.000 --> 06:37.080 Dus dat is belangrijk. 06:37.080 --> 06:42.690 De zandvolleybal wordt eigenlijk een array waarin de cellen de pixels van de kaart zullen zijn. 06:43.080 --> 06:45.800 En in elke cel zullen we een hebben. 06:45.810 --> 06:52.040 Als er wat zand is en een nul als er in het begin geen zand is, zullen we niets tekenen. 06:52.050 --> 06:53.760 Er zal dus helemaal geen zin zijn. 06:53.760 --> 06:57.620 En daarom zullen alle cellen van centrumrechts een nul hebben. 06:57.630 --> 06:59.130 Er zullen dus overal nullen zijn. 06:59.310 --> 07:04.830 En zodra we wat zand trekken, nou, de cellen waarop we het zand trekken, krijgen een één en 07:04.830 --> 07:07.470 we initialiseren de race met alle nullen hier. 07:07.680 --> 07:09.620 Zand is gelijk aan en nullen. 07:10.200 --> 07:13.100 Dan hebben we dit belangrijke ding, dat is het doel. 07:13.380 --> 07:17.220 Het doel is dus een punt op de kaart waar we de auto naartoe zullen trainen. 07:17.490 --> 07:19.190 Dus het is als een bestemming. 07:19.710 --> 07:21.210 Dus wat wordt dit doel? 07:21.420 --> 07:24.870 Dit wordt de linkerbovenhoek van de kaart. 07:24.870 --> 07:28.200 Dus we draaien de auto om naar de linkerbovenhoek van de kaart te gaan. 07:28.350 --> 07:33.270 En zodra het de linkerbovenhoek van de kaart bereikt, zullen we trainen om naar de rechterbenedenhoek van de 07:33.270 --> 07:36.320 kaart te gaan, zodat we ons het volgende scenario kunnen voorstellen. 07:36.450 --> 07:42.540 De linkerbovenhoek van de kaart is de luchthaven van de stad en de rechterbenedenhoek van de kaart is het 07:42.540 --> 07:44.010 centrum van de stad. 07:44.370 --> 07:49.990 En we zullen een taxi of Ugur inschakelen om wat rondritten te maken tussen de luchthaven en het centrum. 07:50.010 --> 07:55.050 En natuurlijk zullen we de taak voor deze taxi moeilijk maken door steeds moeilijkere wegen te tekenen en 07:55.050 --> 08:01.020 steeds meer obstakels op straat toe te voegen om te zien of de taxi er nog in slaagt om van het vliegveld 08:01.020 --> 08:02.490 naar het centrum te gaan. 08:02.850 --> 08:03.930 Dit wordt dus leuk. 08:04.050 --> 08:08.940 En daarom bepaal ik hier de coördinaten van het eerste doel. 08:08.940 --> 08:12.270 Dat is de luchthaven, die zich linksboven in het scherm bevindt. 08:12.720 --> 08:15.900 Dus de kaart zal een vierkant zijn zoals dit. 08:16.710 --> 08:21.570 En de coördinaten van de oorsprong, dat wil zeggen de coördinaten nul nul, zijn hier. 08:22.110 --> 08:24.910 En dan is deze afstand hier groter. 08:25.170 --> 08:31.560 Dus de coördinaten, twintig A. J. min 20 zal daarom precies hier zijn, de linkerbovenhoek van de 08:31.560 --> 08:31.890 kaart. 08:32.640 --> 08:35.310 En waarom heb ik 20 gekozen en niet nul? 08:35.670 --> 08:40.200 Dat is omdat we de auto willen trainen, niet om tegen de muren op te rennen. 08:40.230 --> 08:42.360 Weet je, we willen het trainen om ook de wielen te vermijden. 08:42.600 --> 08:46.420 En daarom mag het doel niet nul zijn, omdat we niet willen dat de auto de muur raakt. 08:46.620 --> 08:47.850 We willen de go raken. 08:48.030 --> 08:49.200 Dus we moeten het hier neerzetten. 08:50.010 --> 08:55.140 En dan introduceer ik gewoon de laatste afstand volleybal, die alleen de huidige afstand van de auto tot 08:55.140 --> 08:57.990 het doel geeft en die ik initialiseer naar nul. 08:58.860 --> 09:04.440 Oké, en nu tijd om de auto en het spel te maken, dus we gaan twee klassen maken, een klasse voor de 09:04.440 --> 09:06.290 auto en een klasse voor het spel. 09:06.660 --> 09:12.330 En binnenin zullen deze klassen al enkele connecties maken met onze A. L. Dus dat doen we in de 09:12.330 --> 09:13.010 volgende tutorial. 09:13.020 --> 09:14.940 En tot die tijd, geniet van I.