مقاله ترجمه شده سیستم پارک کردن اتوماتیک خودرو-اموزشی

آر. جِی. اوئنتاریو و ام. پاسکیر

چکیده
این مقاله قسمتی از یک مطالعه انجام شده در مرکز هوش محاسباتی در NTU را معرفی میکند که برای ایجاد تکنولوژی های جدید برای مسیریابی، هدایت، و کنترل ماشین های هوشمند انجام شده است. یکی از اهداف آن دادن توانایی حرکت اتوماتیک به ماشین ها در انواع مختلف جاده ها و شناسایی مانورهایی مانند پارک معکوس و موازی، گردش های سه فرمانه، و غیره است. یک روش برای انجام اینکار اینست که یک سیستم خود-آموزشی طراحی کنیم که از مهارت انسان ها برای حرکت اتوماتیک یک سیستم کنترل ماشین است. یک ساختار عصبی-فازی جدید با نام شبکه عصبی فازی GenSoYager ایجاد و با شبیه ساز حرکت ماشین برای اهداف آموزش و آزمایش ترکیب شده است. GenSoYagerFNN تاکنون اثبات کرده است که از شبکه های آموزشی دیگر در شناسایی محل پارک و انجام مانورهای پارک معکوس، بهتر است. راهکار توصیف شده نیز با استفاده از یک ماشین مدل کنترل شونده با ریز پردازنده اعتباریابی شده است.

۱- مقدمه
رشد چشمگیر در تکنولوژی حرکت اتوماتیک در جامعه موتوری کردن امروزی در قرن گذشته به اوج خود رسیده است، که امنیت آن بیشتر از یک مسئله الزامی است. چون خطاهای انسانی علت اصلی در اغلب تصادفات ترافیک است، بنابراین ایجاد تکنولوژی های in-car برای نمایش، اجتناب و راهنمایی به حیطه تحقیقاتی اصلی تبدیل شده است، و هدف آن کاهش مسئولیت راننده انسانی، افزایش ظرفیت ترافیک، و فراهم سازی عملیات ماشینی ایمن است. گروه ما در مرکز هوش محاسباتی در NTU مدتهای طولانی بر روی این موضوع، و خصوصاً درک سیستم های حرکت خودکار برای ماشین های جاده ای مطالعه کرده است.
این مقاله جدیدترین سیستم ما با نام شبکه عصبی فازی Yager خود-سازماندهی کلی (GenSoYagerFNN) و کاربرد آن در حرکت اتوماتیک یک ماشین بر روی جاده و شناسایی مانورهایی مانند پارک معکوس و گردش سه فرمانه را توصیف میکند. راهکار ما از طراحی یک سیستم خود-آموزشی تشکیل شده است که میتواند از مهارت انسانی برای استخراج اتوماتیک قوانین عینی برای کنترل ماشین استفاده کند. فرضیه ما به این صورت است که رانندگی یک فرآیند تصمیم گیری مداوم است که می توان آنرا به یک سری قوانین مربوط به ورودی حسی برای کنترل خروجی تجزیه کرد. یک سیستم کنترل فازی برای مدلسازی ابهام ذاتی اطلاعات موجود (سرعت، فاصله، متغیرهای محیط دینامیک) انتخاب می گردد. سپس

این سیستم فازی قانون-مبنا در بالای یک ساختار شبکه عصبی قرار داده می شود، که توانایی یادگیری، یادآوری، استنباط و سازگاری با داده های آموزشی را فراهم می سازد. شبکه عصبی فازی برآیند، یا سیستم عصبی-فازی، دارای قابلیت هر دو تکنیک (یعنی جنبه یادگیری و قابلیت های بهینه سازی و همچنین ساختار پیوندگرا، توانایی استدلال انسانی و راحتی ترکیب دانش فنی) است. در همان زمان، اشکالات و نقایص هر راهکار کاهش داده می شود: مسئله طراحی برای سیستم فازی قانون-مبنا (انتخاب عملکردهای عضویت، شناسایی قوانین فازی) و ماهیت جعبه سیاه شبکه (ظرفیت لایه های میانی).

استنباط در GenSoYagerFNN پس از طرح استدلال Yager مدلسازی می گردد، که تفاوت های ورودی ها را با گزینه های قبلی قوانین برای استنباط درجه تفاوت با قانون گزینه بعدی محاسبه میکند، و بنابراین به خروجی می رسد. مزیت اصلی آن نسبت به قانون محاسباتی استنباط (CRI) قدیمی اینست که وقتی که ورودی دقیقاً با گزینه قبلی مطابقت دارد، خروجی برآیند نیز با گزینه بعدی کاملاً مطابقت خواهد داشت. از لحاظ شهودی، قانون استنباط Yager به استدلال انسانی نزدیک تر است، و بصورت مهمتر از تکنیک های موجود پدیدار می گردد. در واقع تاکنون اثبات شده است که GenSoYagerFNN از شبکه های آموزشی دیگر در شناسایی محل های پارک و اجرای مانورهای پارک معکوس، بهتر است. و در آخر اینکه، باید بگوییم که با اینکه مطالعه گزارش شده بصورت شبیه سازی انجام شده است، اما این راهکار بتازگی با استفاده از یک ماشین مدل کنترل شونده توسط ریز پردازنده نیز تأیید شده است.
۲- شبکه عصبی فازی GenSoYager
GenSoYagerFNNپیشنهاد بر مبنای ساختار پیوندگرای داخلی دیگری با نام شبکه عصبی فازی خود-سازماندهی کلی (GenSoFNN) است و قادر است که بصورت اتوماتیک قوانین فازی را از روی داده های آموزشی عددی موجود ایجاد کند و یک سری قوانین سازگار را توسط اطمینان از این مسئله حفظ کند که هر برچسب فازی در ابعاد ورودی/خروجی بصورت مختص فقط توسط یک دسته (سری فازی) نشان داده می شود. هر سری فازی ورودی می تواند به گزینه های قبلی بیش از یک قانون فازی کمک کند. GenSoYagerFNN قابلیت مقاومت نویز قوی توسط استفاده از یک تکنیک دسته بندی جدید با نام دسته بندی افزایشی مجزاذ (DIC) دارد. در این چارچوب، داده های نویزی/ساختگی که دارای رابطه ضعیفی با داده های معتبر یا واقعی دارند، دسته های مجزایی برای آنها ایجاد می گردد. همچنین، DIC نیازمند هیچ دانش قبلی در مورد تعداد دسته های دامنه مسئله نیست. این ویژگی ها همان دلیلی هستند که GenSoYagerFNN نسبت به راهکار های دیگر استنباط Yager انتخاب شد.
دوره آموزشی GenSoYagerFNN شامل سه مرحله است: خود-سازماندهی، طرح ریزی قوانین، و یادگیری پارامترها، که همه آنها در یک سری منفرد از داده های آموزشی رخ میدهند و امکان استفاده آنلاین از سیستم را فراهم می سازد. یادگیری انتشار-عقبی معروف بر مبنای نزول شیب منفی در مرحله آخر برای تنظیم پارامترهای شبکه مورد استفاده قرار می گیرد. GenSoYagerFNN از پنج لایه گره تشکیل شده است (شکل ۱)، که هر کدام از آنها دارای روابط “گنجایش ورودی” متناهی و “گنجایش خروجی” متناهی است. تعداد گره ها در هر لایه توسط nI نشان داده می شود، که . هر یک از گره های ورودی در لایه دارای یک ورودی منفرد است. تعداد خصوصیات ورودی سری داده های استفاده شده برای آموزش شبکه، تعداد گره های ورودی n1 را تعیین می کند، که بصورت بردار نشان داده میشود. همچنین، هر یک از گره های خروجی (که ) خروجی منفرد را محاسبه میکند، و همه خروجی ها با توجه به X بصورت بردار نشان داده می شوند.
GenSoYagerFNN از طرح آموزشی نظارتی برای فرمولبندی اتوماتیک قوانین فازی از داده های آموزشی و برای تنظیم پارامترهای سیستم استفاده میکند. بردار نشاندهنده خروجی های مطلوب شبکه است. قبل از آموزش، GenSoYagerFNNفقط دارای گره لایه ۱ و لایه ۵ است. لایه های منفی که شامل گره های گزینه ورودی هستند (لایه ۲)، گره های قانون (لایه ۳) و گره های گزینه خروجی (لایه ۴) بصورت پیشرفت های آموزشی ایجاد و تنظیم می گردند. اثرات قابل آموزش شبکه (ضمیمه شده در بلوک های مستطیلی شکل ۱) را می توان در لایه های ۲ و ۵ پیدا کرد، که بترتیب سری فازی ورودی و خروجی را توصیف میکنند. اثرات روابط شبکه باقیمانده با هم متحد هستند. گره های ورودی در لایه ۱ ممکن است دارای تعداد گزینه های ورودی متفاوتی باشد. برای گره ورودی ، تعداد گره های گزینه ورودی بصورت شنان داده می شود و تعداد کلی گره های لایه ۲ بصورت است. هر گره در لایه ۳ یک گره قانون است، و بنابراین و n3 تعداد کلی قوانین فازی در GenSoFNN است. هر گره خروجی در لایه ۵ میتواند دارای تعداد گزینه های خروجی متفاوتی باشد، و بنابراین تعداد کلی گره های لایه ۴ بصورت نشان داده میشود.

شکل ۱ – ساختار GenSoYagerFNN

۳- طرح استدلال Yager

استنباط فازی قانون قیاس استثنائی متعارف را توسعه میدهد، که بیان میکند که قضیه Y بصورت B است را می توان از قضیه های زیر استنباط کرد:

قضیه مربوط به متغیر فازی مشترک است و در فضای فرآورده متقاطع توسط توزیع احتمال مانند معادله ۱ توصیف می گردد:

دو تعبیر ممکن بر مبنای مدلهای رابط و مفهوم-مبنا برای رابطه فازی R وجود دارد. طرح قانون ترکیبی استنباط (CRI) از راهکار اول استفاده می کند، درحالیکه قانون Yager استنباط از راهکار دیگر استفاده میکند. در نتیجه، تابع عضویت برای R با استفاده معادله ۲ یا معادله ۳ محاسبه می گردد، که با انتقال منطقی مطابقت دارد که به دو شیوه مختلف تعبیر می گردد. قانون-T و کونورم-T بترتیب نشاندهنده تعاریف کلی عملگرهای سری فازی رابط و انفصالی هستند، که معمول ترین آنها عملگرهای min و max هستند.

می توان مشاهده کرد که معادله ۳ با بیانیه مطابقت دارد که در منطق جدید با برابر است. مدل مفهوم-مبنا از رابطه فازی (یعنی راهکار دوم) دقیقاً مفهوم مرکزی است که اساس طرحاستدلال Yager بکار گرفته شده توسط GenSoYagerFNN پیشنهادی است.
۴- عملیات GenSoYagerFNN
GenSoYagerFNN پیشنهادی از ۵ لایه نورون تشکیل شده است، که عملیات آنها در بخش های بعدی توضیح داده می شود.
لایه فازی سازی – این لایه از گره های ورودی تشکیل شده است که بصورت فازی ساز های منفرد عمل میکنند که فازی سازی ورودی های دارای مقدار مطلق را انجام میدهد که برای شبکه معرفی شده است. موتور استنباط Yager برای استفاده از ورودی های فازی شده و محاسبه خروجی های فازی شده مناسب، به فازی سازی نیاز دارد.
لایه گزینه قبلی – ورودی های فازی شده از لایه ۱ با برچسب های ورودی مطابق مقایسه می گردند که گزینه های قبلی قوانین فازی را در GenSoYagerFNN تشکیل میدهند. اشتقاق پیش نیاز در لایه ۲ سنجش عدم تناجس را محاسبه میکند، که ضرورتاً حالت منفی مقادیر عضویت ورودی ها با توجه به سری های فازی ورودی است.

لایه قانون – گره های لایه ۳ قوانین فازی را در GenSoYagerFNN مدلسازی میکند. هر گره درجه موفقیت ورودی های جاری (یعنی شباهت کلی) را با توجه به گزینه های قبلی قانون فازی محاسبه میکند که آنرا نشان میدهد.
لایه گزینه بعدی – لایه ۴ از گره های گزینه خروجی تشکیل شده است که نشاندهنده سری فازی های خروجی بعدی قوانین در لایه ۳ است. هر گره گزینه خروجی را می توان با قوانین فازی چندگانه مرتبط ساخت که نشاندهنده اینست که آنها ممکن است دارای گزینه های بعدی یکسانی باشند. همانطور که گفته شد، GenSoYagerFNN از مدل مفهوم-مبنا استفاده میکند و بنابراین نتیجه گیری های قوانین موازی بصورت مرتبط در این لایه با هم ترکیب می گردند.
لایه غیر فازی سازی – لایه ۵ شامل گره های خروجی است که مسئول غیر فازی سازی نتیجه گیری های فازی اشتقاقی است و آنها را بصورت خروجی های جدید معرفی میکند. تجمع با استفاده از مرکز میانگین گیری (COA) اصلاح شده برای تولید خروجی نهایی اعمال می گردد.
۵- سیستم پارک اتوماتیک
یک شبیه ساز رانندگی سه بعدی (شکل ۲) ساخته شد تا داده های رانندگی را از رانندگان انسانی جمع آوری کند. این داده ها ابتدا برای آموزش کنترل گر ماشین و سپس برای اندازه گیری قابلیت رانندگی آن استفاده می گردد. اطلاعات فیدبک شامل داده های حسی مانند فاصله از موانع و موقعیت ماشین با توجه به پروفایل مسیر/جاده جاری و سیگنال های کنترل متشکل از شتاب، ترمز و نسبت چرخ دنده ها است.

شکل ۲ – شبیه ساز رانندگی اتوماتیک ماشین

 

از GenSoYagerFNN برای مدلسازی و کپی برداری مهارت رانندگی انسان برای انجام مانورهای پارک معکوس استفاده شد. میتوان گفت که سری قوانین فازی ایجاد شده توسط GenSoYagerFNN تقریباً با دانش ما در مورد فرآیند رانندگی ماشین برابر است. در نتیجه، کارایی آن با استفاده از شبیه ساز ماشین و همچنین ماشین مدل کنترل شونده توسط ریز پردازنده مورد بررسی قرار گرفت.
پارک معکوس یک مانور معمول است که بسرعت و همراه با افزایش ترافیک شهری و فضای پاک محدود، متداول شده است. در راهکار ما، فرآیند پارک کردن در سه مرحله مجزا انجام می شود. ابتدا ماشین کنترل شونده توسط GenSoYagerFNN مسیر را دنبال میکند تا اینکه یک محل پارک خالی با اندازه مناسب پیدا میکند. سپس ماشین به جلو حرکت میکند و فاصله مناسبی را با توجه به دیوار تنظیم میکند. اینکار برای داشتن یک موقعیت مناسب برای انجام پارک معکوس است. در آخر، ماشین مانور پارک معکوس را بصورت درست انجام میدهد. این مرحله از هر سه شبکه آموزشی مستقل برای هدایت فرمان، ترمز، و شتاب استفاده میکند. ممکن است تنظیماتی برای حرکت مکرر ماشین به سمت عقب و جلو لازم باشد تا اینکه موقعیت پارک مناسب ایجاد می گردد. مثال نوعی از یک مانور موفقیت آمیز در شکل ۳ نشان داده شده است.

 

شکل ۳ – پارک معکوس با استفاده از GenSoYagerFNN

شکل ۴ –قدرت تحریک قانون کنترل گرهای ماشین
مطالعه قدرت تحریک قانون برای تحلیل توانایی شبکه برای حفظ سازگاری مبنای قانون انجام شد. خصوصاً نسبت قوانین استفاده شده با تعداد کلی قوانین در شبکه مقایسه شد. به حداقل رساندن تعداد قوانین در شبکه برای اطمینان از کارایی خوب ضروری است، و در هنگام استفاده از بعنوان مثال، یک سیستم کنترل ترکیبی با توان ذخیره سازی محدود، ضروری می گردد. یک مبنای قانون سازگار توسط گسترش وسیع قوانین تحریک شده نسبت به تعداد کلی قوانین برای همه موقعیت های پارک موجود، به بهترین شکل نشان داده میشود. نتایج آزمایشی برای قدرت تحریک قانون در سراسر فرآیند پارک معکوس در شکل ۴ بصورت خلاصه بیان شده است.
برای شبکه هدایت فرمان، ۴۵ قانون در حین فرآیند آموزش ایجاد شد. دو قانون مهم (قوانین ۲۷ و ۲۸) و چهار قانون کمکی با قدرت تحریک کمتر شناسایی شده است. برای شبکه شتاب (TPS)، ۱۱۲ قانون در حین آموزش ایجاد شد. چهار قانون (قوانین ۳۶، ۶۵، ۶۶ و ۱۱۲) و سپس سه قانون کمکی (قوانین ۵۷، ۶۵، ۷۱ و ۱۰۷) وجود دارد که از بقیه مهمتر هستند. تغییر مهمی در توزیع قدرت تحریک قانون در هدایت فرمان و سیستم های TPS مشاهده شد، که بر پیچیدگی بالای هر دو سیستم تأکید دارد. این نتایج پیش بینی می گردند چون در یک پارک معکوس ماهرانه، ماشین باید سرعت و هدایت فرمان خود را مکررا در گردش های زیاد کنترل کند تا از برخورد با موانع اطراف خود خودداری کند.

سیستم ترمز تغییر کوچک تری را در مقایسه با TPS یا سیستم هدایت فرمان نشان میدهد. فقط دو قانون ضروری شناسایی شده است (قوانین ۴ و ۴۶). این مسئله عمدتاً بخاطر خصوصیات ترمز در سیستم پارک کردن است. معمولاً ترمز برای مدت زمان نسبتاً کوتاهی اعمال می گردد و در بقیه زمان ها بصورت غیرفعال باقی می ماند. نتیجه گیری های مشابهی برای سیستم شناسایی محل پارک اعمال می گردد، که فقط ۳ قانون (قوانین ۴، ۵ و ۶) از ۱۳ قانون وجود دارد که اغلب تحریک میگردند. همچنین، ۳ قانون (قوانین ۱، ۲ و ۳) حذف می گردند که نشاندهنده قوانین کم اهمیت یا ضعیفی هستند که ممکن است به بروز خطا در هنگام اجرا کمک کنند.
ساختار مبنای قانون نهایی ایجاد شده توسط فرآیند آموزش در شکل ۵ بصورت خلاصه بیان شده است. ردیف سوم تعداد برچسب های ورودی (= دسته ها) را در هر بعد ورودی (ویژگی) بدست آمده از آموزش نشان میدهد.

شکل ۵ – ساختار GenSoYagerFNN برای نمونه مانور پارک معکوس

 

در اینجا برای توضیح دریافت شهودی و راحتی تعبیر قوانین فازی ایجاد شده توسط GenSoYagerFNN، تحلیل مبنای قانون سیستم شناسایی پارک کردن معرفی می گردد. ۱۳ قانون ایجاد شده در سیستم شناسایی وجود دارد، که با ۱۳ برچسب ورودی و ۳ برچسب خروجی مرتبط هستند. در این سیستم، ورودی های GenSoYagerFNN شامل ۳ ویژگی هستند: فاصله چپ-جلو (حسگر طرف چپ-جلو)، فاصله چپ-وسط (حسگر طرف چپ-وسط)، و فاصله چپ-عقب (حسگر طرف چپ-عقب). فاصله چپ-جلو دارای ۵ سری فازی است، درحالیکه فاصله چپ-وسط و فاصله چپ-عقب بترتیب دارای ۵ و ۳ سری فازی هستند. سری گزینه های فازی استخراج شده از سیستم شناسایی پارک بشرح زیر است:
ورودی “فاصله چپ-جلو” =
{خیلی کوتاه، کوتاه، متوسط، بلند، خیلی بلند}
ورودی “فاصله چپ-وسط” =
{خیلی کوتاه، کوتاه، متوسط، بلند، خیلی بلند}
ورودی “فاصله چپ-عقب” =
{خیلی کوتاه، کوتاه، متوسط، بلند، خیلی بلند}

خروجی “شناسایی” =
{خاموش، نیمه فعال، روشن}

همانطور که از روی شکل ۴ میتوان دید، قوانین فازی که برای سیستم شناسایی پارک بیشتر تحریک می شوند، قوانین ۴، ۵ و ۶ هستند. با در نظر گرفتن قانون ۴، قانون فازی مطابق استخراج شده از مبنای قانون سیستم شناسایی را میتوان بصورت زیر تنظیم کرد:
اگر فاصله چپ-جلو متوسط باشد و
فاصله چپ-وسط متوسط باشد و

فاصله چپ-عقب متوسط باشد
پس شناسایی روشن خواهد بود

نتیجه گیری بالا نشان میدهد که محل پارک مناسب شناسایی می گردد و بنابراین ماشین متوقف می گردد و تنظیم پارک کردن انجام می شود. قوانین فازی استخراج شده برای فرآیند شناخت انسانی شهودی هستند، و همانطور که توسط نتایج اثبات می گردد، قانون ۴ (که بیشتر از بقیه تحریک می گردد) با دانش انسانی شناسایی محل پارک در فرآیند پارک معکوس مطابقت دارد.

شکل ۶ – مؤلفه های کیفیت مانور

 

عملکرد GenSoYagerFNN در مانور پارک معکوس نیز از دیدگاه کیفیت پارک کردن بررسی شد، همانطور که توسط موقعیت نهایی ماشین در محل پارک تعیین شده است. منطقه محل پارک طوری طراحی می گردد که یک ماشین پارک شده بصورت ایده آل هم از لحاظ عرض و هم از لحاظ عرض منطقه در مرکز قرار می گیرد. ۸ فاصله در نظر گرفته شده (f1, f2, l1, l2, r1, r2, b1 و b2) در شکل ۶ نشان داده شده اند، که L طول و W عرض منطقه پارک است. کیفیت کامل زمانی بدست می آید که ماشین در مرکز قرار گرفته باشد و بنابراین زمانی می باشد که مقادیر پارامتر طوری هستند که و . مقادیر بهینه برای طول ماشین و عرض آن در معادله ۴ بیان شده است.

وقتی که ماشین در منطقه پارک قرار دارد، حداقل سه مقدار فاصله برای شناسایی صحیح موقعیت و جهت گیری آن مورد نیاز است (بعنوان مثال، دو مقدار فاصله ا

ز یک طرف یکسان برای شناسایی جهت گیری آن به علاوه افست از آن طرف. با یک مقدار فاصله دیگر از طرف دیگر همسایه با طرف قبلی، اطلاعات دقیق موقعیت را میتوان بدست آورد. در این آزمایش، فقط از سه حسگر l2، b1 و b2 استفاده شده است و کیفیت پارک را میتوان به شکل انحراف استاندارد (بعنوان مثال در معادله ۵) بیان کرد.

در این آزمایش، منطقه پارکی با طول ۴۰ و عرض ۲۵ در کنار جاده ای با عرض ۳۷ قرار داده شد (شکل ۷). ابعاد ماشین است.

شکل ۷ – ابعاد ماشین و منطقه محل پارک

شکل ۸ – سنحش کیفیت در GenSoYagerFNN

شکل ۹ – نصب آزمایشی با ماشین مدل کنترل شونده توسط ریز پردازنده و محل پارک آن

این آزمایش از سه سری موقعیت و جهت گیری اولیه تشکیل شده است، که برای پارک کردن در طرف چپ طراحی شده اند. در این مورد، هیچ شناسایی محل پارک (مرحله ۱) یا تنظیم مستقیم (مرحله ۲) شامل در آن وجود ندارد. این آزمایش فقط بر مانور پارک معکوس واقعی (مرحله ۳) تمرکز میکند. از دو شبکه برای کنترل ماشین با نام شبکه های و استفاده شد. نتایج آزمایش بصورت خلاصه در شکل ۸ نشان داده شده است.
۶- نتیجه گیری
این مقاله ساختار کلی، اصول کاری، و دوره آموزشی GenSoYagerFNN را معرفی میکند. آموزش شامل مراحل خود-سازماندهی (دسته بندی)، ایجاد قانون و یادگیری پارامتر (با استفاده از انتشار-عقبی) می باشد و در یک سری منفرد از داده های آموزشی رخ میدهد. اینکار به شبکه GenSoFNN اجازه میدهد تا یادگیری آنلاین را انجام دهد و حتی برای (بعضی) کاربردهای فوری نیز مناسب است.
طرح استنباط Yager استفاده شده توسط GenSoYagerFNN مدل مفهوم-مبنا را از رابطه فازی اتخاذ میکند، که خروجی نهایی را بر مبنای سطح عدم توافق (و نه بر مبنای توافق) محاسبه میکند. از لحاظ درک شهودی، این به استدلال انسانی نزدیک تر است چون وقتی که ورودی دقیقاً با گزینه قبلی مطابقت دارد، خروجی برآیند نیز دقیقاً با گزینه بعدی مطابقت خواهد داشت.
ترکیب GenSoYagerFNNبا یک شبیه ساز رانندگی ماشین، توانایی آن بعنوان یک سیستم کنترل خود-آموزشی و قابل اطمینان را اثبات میکند، که منجر به درک یک سیستم پارک و رانندگی هوشمند اتوماتیک می گردد. آزمایشات در مورد مانور پارک معکوس در طرف چپ نشان داده است که GenSoYagerFNN در کنترل ماشین نسبت به هدف آن، بدون کمک یک راننده انسانی بصورت مؤثر عمل کرده است. آزمایشات جاری قابلیت این راهکار برای یک ماشین مدل کنترل شونده توسط ریز پردازنده را اثبات میکند، که در شکل ۹ نشان داده شده است.