محمدامين ميرزاعباسي

Development an‎d eva‎luation of a Model Compression Methodology for Efficient Steering Angle Prediction

پيش‌بيني دقيق و آني زاويه فرمان، يكي از وظايف بنيادين در سيستم‌هاي رانندگي خودران است كه مستقيما بر ايمني تأثير مي‌گذارد. مدل‌هاي يادگيري عميق، راه حل‌هاي قدرتمندي براي اين مسئله ارائه مي‌دهند، اما با يك چالش اساسي مواجه هستند: موازنه ميان دقت پيش‌بيني و كارايي محاسباتي. پژوهش‌هاي پيشين عمدتا بر دو رويكرد متعارض متمركز بوده‌اند: معماري‌هاي سبك و كارآمد كه از دقت محدودي برخوردارند، و معماري‌هاي سنگين و دقيق كه براي استقرار بر روي سخت‌افزارهاي با منابع محدود خودرو، غيرعملي هستند. اين پژوهش با هدف پر كردن اين شكاف، به تدوين و ارزيابي يك رويكرد سامانمند براي تبديل يك مدل دقيق به يك مدل نهايي سبك و كارآمد مي‌پردازد. روش تحقيق اين پژوهش بر پايه رويكرد بهينه‌سازي پس از آموزش استوار است. در اين فرآيند، ابتدا يك مدل پايه دقيق مبتني بر معماري MobileNetV2 با استفاده از يادگيري انتقالي بر روي مجموعه داده رانندگي آموزش داده مي‌شود. سپس، اين مدل تحت تأثير دو تكنيك كليدي فشرده‌سازي قرار مي‌گيرد: هرس كردن غيـرساختاري بر اساس قدر مطلق براي كاهش افزونگي پارامترها، و كوانتيزاسيون پس از آموزش براي كاهش حجم و افزايش سرعت محاسبات. براي ارزيابي اثر هم‌افزاي اين دو تكنيك، عملكرد چهار سناريوي مجزا (مدل پايه، فقط هرس، فقط كوانتيزه، و رويكرد تركيبي) به صورت كمي مقايسه شده است. نتايج تجربي، وجود يك رابطه هم‌افزاي مشخص ميان هرس كردن و كوانتيزاسيون را به اثبات مي‌رساند. مدل نهايي بهينه‌شده، با اعمال هرس كردن 20 درصدي و سپس كوانتيزاسيون، به كاهش حجم بيش از 76 درصدي نسبت به مدل پايه دست يافت، در حالي كه دقت پيش‌بيني آن (با MAE برابر با 7.20) كاملا رقابتي باقي ماند. اين مدل، با ارائه بهترين موازنه ميان دقت و كارايي در مقايسه با پژوهش‌هاي پيشين، ارزش عملي رويكرد پيشنهادي را به عنوان يك راه سوم مؤثر براي توسعه مدل‌هاي قابل استقرار در دنياي واقعي، تأييد مي‌كند.

پيش‌بيني زاويه فرمان , يادگيري عميق , فشرده‌سازي مدل , مدل‌هاي كارآمد , خودروهاي خودران