Galletti, Gianluca
 
(2021)
pyTORCS - simulatore di guida per deep reinforcement learning.
[Laurea], Università di Bologna, Corso di Studio in 
Informatica [L-DM270]
   
  
  
        
        
	
  
  
  
  
  
  
  
    
  
    
      Documenti full-text disponibili:
      
        
          
            | ![[thumbnail of Thesis]](https://amslaurea.unibo.it/style/images/fileicons/application_pdf.png) | Documento PDF (Thesis) Disponibile con Licenza: Salvo eventuali più ampie autorizzazioni dell'autore, la tesi può essere liberamente consultata e può essere effettuato il salvataggio e la stampa di una copia per fini strettamente personali di studio, di ricerca e di insegnamento, con espresso divieto di qualunque utilizzo direttamente o indirettamente commerciale. Ogni altro diritto sul materiale è riservato
 Download (3MB)
 | 
        
      
    
  
  
    
      Abstract
      In questo elaborato è presentato pyTORCS, un ambiente open-soruce per lo sviluppo e il test di metodi per la guida autonoma, in particolare il deep reinforcement learning. pyTORCS è basato su una versione modificata di TORCS, un simulatore di guida open-source che permette guida su una varietà di tracciati e strade urbane e abilita l'uso di un ampio raggio di sensori virtuali. pyTORCS eredita le caratteristiche di TORCS e lo estende con una interfaccia stile OpenAI Gym per Python, fortemente configurabile e modulare, e l'integrazione con Docker per una più semplice configurazione. Verranno mostrate e confrontate le performance di alcuni popolari algoritmi per il reinforcement learning applicati a pyTORCS e affrontate le problematiche che sorgono durante la risuluzione di un ambiente di simulazione di guida.
     
    
      Abstract
      In questo elaborato è presentato pyTORCS, un ambiente open-soruce per lo sviluppo e il test di metodi per la guida autonoma, in particolare il deep reinforcement learning. pyTORCS è basato su una versione modificata di TORCS, un simulatore di guida open-source che permette guida su una varietà di tracciati e strade urbane e abilita l'uso di un ampio raggio di sensori virtuali. pyTORCS eredita le caratteristiche di TORCS e lo estende con una interfaccia stile OpenAI Gym per Python, fortemente configurabile e modulare, e l'integrazione con Docker per una più semplice configurazione. Verranno mostrate e confrontate le performance di alcuni popolari algoritmi per il reinforcement learning applicati a pyTORCS e affrontate le problematiche che sorgono durante la risuluzione di un ambiente di simulazione di guida.
     
  
  
    
    
      Tipologia del documento
      Tesi di laurea
(Laurea)
      
      
      
      
        
      
        
          Autore della tesi
          Galletti, Gianluca
          
        
      
        
          Relatore della tesi
          
          
        
      
        
      
        
          Scuola
          
          
        
      
        
          Corso di studio
          
          
        
      
        
      
        
      
        
          Ordinamento Cds
          DM270
          
        
      
        
          Parole chiave
          reinforcement learning,autonomous driving,deep learning,docker,racing
          
        
      
        
          Data di discussione della Tesi
          13 Ottobre 2021
          
        
      
      URI
      
      
     
   
  
    Altri metadati
    
      Tipologia del documento
      Tesi di laurea
(NON SPECIFICATO)
      
      
      
      
        
      
        
          Autore della tesi
          Galletti, Gianluca
          
        
      
        
          Relatore della tesi
          
          
        
      
        
      
        
          Scuola
          
          
        
      
        
          Corso di studio
          
          
        
      
        
      
        
      
        
          Ordinamento Cds
          DM270
          
        
      
        
          Parole chiave
          reinforcement learning,autonomous driving,deep learning,docker,racing
          
        
      
        
          Data di discussione della Tesi
          13 Ottobre 2021
          
        
      
      URI
      
      
     
   
  
  
  
  
  
    
    Statistica sui download
    
    
  
  
    
      Gestione del documento: 
      
        