Wyniki wyszukiwania - Biblioteka Nauki

Nowa wersja platformy, zawierająca wyłącznie zasoby pełnotekstowe, jest już dostępna.
Przejdź na https://bibliotekanauki.pl

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: car racing

Sortuj według:

Ogranicz wyniki do:

Bezpieczeństwo imprez masowych na przykładzie częstochowskich wyścigów samochodowych

100%

Jaksender P.

tom nr 5

947--952, CD1

Celem artykułu było przedstawienie coraz bardziej popularnej imprezy masowej, jaką są wyścigi samochodowe. Dotychczas nielegalny proceder spotkał się z akceptacją władz publicznych i dzięki zaangażowaniu pasjonatów oraz pomocy służb (Policji, Straży Pożarnej, Ratownictwa Medycznego, itp.) staje się elementem przekazu prawidłowych zachowań w ruchu drogowym. Ten sektor bezpieczeństwa jest niezwykle ważny z uwagi na jego ciągłe rozszerzanie się. Organizacja legalnych zawodów dostarcza kontrolowanej adrenaliny i pomaga zrozumieć uczestnikom imprezy przepisy prawne.

This article presents an increasingly popular phenomenon of car racing. So far, the illegal dealings met with acceptance of public authorities and thanks to the commitment of enthusiasts and assistance services (Police, Fire, Medical Emergency, etc.) Becomes part of the media correct behavior in traffic. The security sector is extremely important due to its continuous expansion. The organization provides legal professions controlled adrenaline and helps to understand the participants of the event regulations.

Imitation learning of car driving skills with decision trees and random forests

84%

Cichosz P. , Pawełczak Ł.

nr 3

579-597

Machine learning is an appealing and useful approach to creating vehicle control algorithms, both for simulated and real vehicles. One common learning scenario that is often possible to apply is learning by imitation, in which the behavior of an exemplary driver provides training instances for a supervised learning algorithm. This article follows this approach in the domain of simulated car racing, using the TORCS simulator. In contrast to most prior work on imitation learning, a symbolic decision tree knowledge representation is adopted, which combines potentially high accuracy with human readability, an advantage that can be important in many applications. Decision trees are demonstrated to be capable of representing high quality control models, reaching the performance level of sophisticated pre-designed algorithms. This is achieved by enhancing the basic imitation learning scenario to include active retraining, automatically triggered on control failures. It is also demonstrated how better stability and generalization can be achieved by sacrificing human-readability and using decision tree model ensembles. The methodology for learning control models contributed by this article can be hopefully applied to solve real-world control tasks, as well as to develop video game bots.