Ejemplo de red neuronal que intenta aprender a conducir un coche.
Gráficos dibujados manualmente usando SkiaSharp, tanto los vehículos como el visualizador de la red neuronal. SkiaSharp es una API multiplataforma para gráficos 2D para plataformas .NET y que está basada en Skia, librería gráfica de Google.
Basado en un proyecto original que usaba Vanilla Javascript y el canvas HTML5 para pintar, y realizado por Radu Mariescu-Istodor.
A partir de información del proyecto original, se rehace desde cero, cambiando de tecnología, usando .NET en vez de Javascript, y SkiaSharp como sustituto del canvas del explorador.
- Conducción manual haciendo uso del teclado: Teclas WASD. Cada una de estas posibles teclas se corresponde a una de las neuronas de la capa de salida.
- Conducción automática a través de la red. La red decide en función de los bordes de la carretera y del tráfico prensente que hacer: Girar izquierda o derecha, velocidad hacia delante, incluso posibilidad de ir marcha atrás.
- Sensores de colisiones configurables. Determinan el número de neuronas de la capa de entrada. Cada sensor calcula en tiempo real las colisiones con otros objetos y la distancia al primer punto de colisión.
- Acercamiento al aprendizaje genético con selección manual de la especie que sobrevive. Mutaciones aleatorias entre generación.
- Representación visual de la red neuronal y de las activaciones mediante un gráfico en el panel lateral.
- Posibilidad de modificar el número de neuronas por capa (excepto la capa de salida que determinan las instrucciones al vehículo).
- Simulación de tráfico aleatorio o programado. Los vehículos generados actúan como obstáculos a los vehículos que entrenamos.
- Simulación de carretera, lindes y carriles de circulación. Los vehículos que se salen de la carretera colisionan.
- Seguimiento del mejor coche (posibilidad de definir función de fitness) y posibilidad de persistir su red neuronal.
- Importación de pesos de la red neuronal.
- Implementación de un panel en el que se pueden mostrar datos en tiempo real de la simulación y que se puede ir ampliando para mostrar información de interés en el aprendizaje.
Es interesenta la representación gráfica de las capas de la red neuronal y de las activaciones entre capas, permite ver visualmente como el valor de los pesos afecta al resultado del movimiento del coche.
Se muestra un GIF con un ejemplo de 100 vehículos mutados a partir de una misma red en sus etapas iniciales. Cada vehículo, tras las mutaciones de la generación, toma sus desiciones en función de los estímulos de los sensores que recibe.
