IMA4 2018/2019 P35 - Historique des versions

Plin : /* Documents Rendus */

2019-05-09T11:41:09Z

‎Documents Rendus

Wchen1 : /* Documents Rendus */

2019-05-08T21:50:21Z

‎Documents Rendus

Wchen1 : /* Documents Rendus */

2019-05-08T21:50:09Z

‎Documents Rendus

Plin : /* Semaine 10 */

2019-05-08T16:08:07Z

‎Semaine 10

Wchen1 : /* Semaine 12-13 (Vacances) */

2019-05-08T09:28:43Z

‎Semaine 12-13 (Vacances)

Wchen1 : /* Semaine 12-13 (Vacances) */

2019-05-08T09:27:33Z

‎Semaine 12-13 (Vacances)

Wchen1 : /* Semaine 14 */

2019-05-08T09:25:31Z

‎Semaine 14

Wchen1 : /* Semaine 14 */

2019-05-08T09:24:00Z

‎Semaine 14

Wchen1 : /* Semaine 14 */

2019-05-08T09:22:18Z

‎Semaine 14

Wchen1 : /* Semaine 14 */

2019-05-08T09:21:58Z

‎Semaine 14

← Version précédente		Version du 9 mai 2019 à 11:41
Ligne 791 :		Ligne 791 :

	=Documents Rendus=		=Documents Rendus=
−	[[Fichier:IMA4_machine_learning_rapport.pdf]]	+	[[Fichier:IMA4_machine_learning_rapport.pdf]]
		+	Lien vers git du script : https://github.com/Lucaslin0517/projet_ima4

← Version précédente		Version du 8 mai 2019 à 21:50
Ligne 791 :		Ligne 791 :

	=Documents Rendus=		=Documents Rendus=
−	[[Fichier:IMA4_machine_learning_rapport.~~jpg~~]]	+	[[Fichier:IMA4_machine_learning_rapport.pdf]]

← Version précédente		Version du 8 mai 2019 à 21:50
Ligne 791 :		Ligne 791 :

	=Documents Rendus=		=Documents Rendus=
		+	[[Fichier:IMA4_machine_learning_rapport.jpg]]

← Version précédente		Version du 8 mai 2019 à 16:08
Ligne 516 :		Ligne 516 :
	Après construire nos réseaux de neurones, nous avons utilisé 60*30=1800 différent trajectoire pour entraîné nos réseaux. Malheureusement, le résultat n'est pas très satisfait.		Après construire nos réseaux de neurones, nous avons utilisé 60*30=1800 différent trajectoire pour entraîné nos réseaux. Malheureusement, le résultat n'est pas très satisfait.

−	~~Par exemple, voici d'une comparaison de vitesses réelles et prévus de l'un des trajectoires:~~

@@ Ligne 555 : / Ligne 555 : @@
 '''Q = S * A'''
-Avant que l'apprentissage ne débute, la fonction Q est initialisée arbitrairement. Ensuite, à chaque choix d'action, l'agent observe la récompense et le nouvel état (qui dépend de l'état précédent et de l'action actuelle). Ainsi, Q est mis à jour. Le cœur de l'algorithme est une mise à jour de la fonction de valeur. La définition de la fonction de valeur est corrigée à chaque étape de la façon suivante5 :
+Avant que l'apprentissage ne débute, la fonction Q est initialisée arbitrairement. Ensuite, à chaque choix d'action, l'agent observe la récompense et le nouvel état (qui dépend de l'état précédent et de l'action actuelle). Ainsi, Q est mis à jour. Le cœur de l'algorithme est une mise à jour de la fonction de valeur. La définition de la fonction de valeur est corrigée à chaque étape de la façon suivante:
 [[Fichier:Q.jpg]]

← Version précédente		Version du 8 mai 2019 à 09:27
Ligne 749 :		Ligne 749 :

	[[Fichier:Dqn_result.png]]		[[Fichier:Dqn_result.png]]
−
−	~~En plus on obtient aussi un diagramme vitesse prévue par temps :~~
−
−	~~[[Fichier:vitess-temps.png]]~~
−
−	~~Rouge: Vitesse de X;~~
−	~~Bleu: Vitesse de Y;~~
−	~~Jaune: Viesse de l'angle.~~
−

	==Semaine 14==		==Semaine 14==

@@ Ligne 797 : / Ligne 797 : @@
    colors = ['black','gray','red','blue','white'] #grad protect  red origin  blue predi
    cmap = matplotlib.colors.ListedColormap(colors,'indexed')
 =Documents Rendus=

@@ Ligne 788 : / Ligne 788 : @@
      data.at[raw,col] = predi_color
    print("_____________")
    for i in range(0,100):
      for j in range(0,320):
-      data.ix[i,j],data.ix[200-1-i,j] = data.ix[200-1-i,j],data.ix[i,j]
+    d  ata.ix[i,j],data.ix[200-1-i,j] = data.ix[200-1-i,j],data.ix[i,j]
 =Documents Rendus=

@@ Ligne 773 : / Ligne 773 : @@
    img = np.array(im)
    data = pd.DataFrame(img) #use pandas handle the data
    for i in range(0,200):
      for j in range(0,320):
        if data.at[i,j] != 0:
          data.at[i,j] = 255
    origin_color = 128
    predi_color = 192
    for i in range(0,len(origin_px)):
      raw = (int(200-(origin_py[i]-0.5)*20))#  0~200
      col = (int((origin_px[i]+7.5)*20))#make - to +  0~320
      data.at[raw,col] = origin_color
    for i in range(0,len(posx)):
      raw = (int(200-(posy[i]-0.5)*20))#  0~200
      col = (int((posx[i]+7.5)*20))#make - to +  0~320
      data.at[raw,col] = predi_color
    print("_____________")
    for i in range(0,100):
      for j in range(0,320):

← Version précédente		Version du 8 mai 2019 à 09:21
Ligne 760 :		Ligne 760 :

	==Semaine 14==		==Semaine 14==
		+	Après nous avons concultéavec Monsieur Redon, nous avons convenu qu'il serait plus clair de tracer la trajectoire sur la carte. Donc, cette semaine, notre mission est de combiner la trajectoire et la carte en un seul.
		+
		+	Nous stockons les coordonnées(x, y) de tous les points prévus sur une trajectoire dans les fichiers txt (filename et filenamey). orgina_filex, orgin_filex sont d’indiquer les points de trajectoires donnée par le simulateur. im lit la carte.
		+	posx = load_data(filenamex)
		+	posy = load_data(filenamey)
		+	origin_px = load_data(origin_filex)
		+	origin_py = load_data(origin_filey)
		+
		+	im = Image.open("pos/map_000000001.png")
		+
		+	Pendant le prétraitement des données d’images, la couche de protection sur la carte doit être unifiée : les pixels sont fixés en même valeur (la valeur est 255) afin de supprimer la couche. Ensuite, nous convertissons l'image en matrice d’image, puis nous utilisons des pandas pour la traiter. Les points de position prévus sont marqués, où les pixels représentent différentes couleurs en tant que marques. Lorsque le traitement des marques se termine, nous transformons la matrice d’image en les données de type array.
		+	img = np.array(im)
		+	data = pd.DataFrame(img) #use pandas handle the data
		+
		+	for i in range(0,200):
		+	for j in range(0,320):
		+	if data.at[i,j] != 0:
		+	data.at[i,j] = 255
		+
		+
		+	origin_color = 128
		+	predi_color = 192
		+
		+	for i in range(0,len(origin_px)):
		+	raw = (int(200-(origin_py[i]-0.5)*20))# 0~200
		+	col = (int((origin_px[i]+7.5)*20))#make - to + 0~320
		+	data.at[raw,col] = origin_color
		+
		+
		+	for i in range(0,len(posx)):
		+	raw = (int(200-(posy[i]-0.5)*20))# 0~200
		+	col = (int((posx[i]+7.5)*20))#make - to + 0~320
		+	data.at[raw,col] = predi_color
		+
		+	print("_____________")
		+
		+	for i in range(0,100):
		+	for j in range(0,320):
		+	data.ix[i,j],data.ix[200-1-i,j] = data.ix[200-1-i,j],data.ix[i,j]

	=Documents Rendus=		=Documents Rendus=