Keywords
information processing
frontal collision avoidance systems
evolutionary algorithms
learning strategies
How to Cite
Abstract
we developed a frontal collision avoidance system based on artificial neural networks. We trained the network using evolutionary algorithms, which optimized the network structure and hyperparameters, including activation functions and the number of hidden layers. We evaluated model quality using the loss function and data processing time.
During computational experiments, we selected the best-performing models and verified them on real-world data with a car under various driver response scenarios. The test results showed that the proposed model achieves high accuracy and efficiency, both on training data and in real operating conditions, making it a promising solution for enhancing road safety.
References
Кадиленко Е. С., Тимофеева О. П. Определение оптимальной траектории движения транспортного средства на определенном участке карты. Будущее технической науки: материалы XI Международной молодежной конференции. 2012:45–46.
Тимофеева О. П., Ермаков О. П., Туманова Д. Н. Модель системы «умных светофоров» на базе AnyLogic. Будущее технической науки: материалы XV Международной молодежной конференции. Н. Новгород; 2016:115–116.
Krizhevsky A., Sutskever I., Hinton G. E. ImageNet Classification with Deep Convolutional Neural Networks. Communications of the ACM. 2017;606:84–90. DOI: 10.1145/3065386.
Russakovsky O., Deng J., Su H. et al. ImageNet Large Scale Visual Recognition Challenge. Int. J. of Computer Vision. 2015;1153:211–252. DOI: 10.1007/s11263-015-0816-y.
Круглов В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия–Телеком; 2002. 382 с.
Каллан Р. Основные концепции нейронных сетей / пер. с англ. А. Г. Сивака. М.: Издательский дом «Вильямс»; 2001. 287 с.
Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы / пер. с польск. И. Д. Рудинского. М.: Горячая линия-Телеком, 2006. 452 с.
Kingma D. P., Ba J. Adam: A Method for Stochastic Optimization. 2014. arXiv:1412.6980. DOI: https://doi.org/10.48550/arXiv.1412.6980.
Goodfellow I., Bengio Y., Courville A. Deep Learning. Genetic Programming and Evolvable Machines. 2018;19:305–307. DOI: 10.1007/s10710-017-9314-z.
Sutton R. S., Barto A. G. Reinforcement Learning: An Introduction. Cambridge: The MIT Press; 2014. 338 p.
Silver D., Huang A., Maddison C. J. et al. Mastering the Game of Go with Deep Neural Networks and Tree Search. Nature. 2016;529:484–489. DOI: 10.1038/nature16961.
Kohavi R. A Study of Cross–Validation and Bootstrap for Accuracy Estimation and Model Selection. Proceedings of the Fourteenth International Joint Conference on Artificial Intelligence. 1995:1137–1143.