该团队推出的系统，以物联网（IoT）为基础，采用Wi-Fi网联软件，利用亚马逊云计算IaaS和PaaS平台服务AWS的DeepRacer云控制台，能够与车辆进行通信，并且捕获摄像头图像，以更好地了解车辆的路径和位置，并且向其发送指令以改善加速和路径选择等性能。该团队表示，他们研发的竞争学习能够让该系统的表现优于基于AWS的模型。而且学生们研发的系统能够让车辆或其他设备了解其环境，并根据收集和解释的数据，在边缘（使用平板电脑或笔记本电脑）做出响应。 Starr和Turner都是数据科学专业的学生，他们参加了AWS DeepRacer项目（AWS发起的一项比赛，要求开发人员和科学家利用机器学习构建自动驾驶汽车），主要关注于为自动驾驶汽车研发和微调算法，从而能够利用传感器数据探测车辆位于哪个赛道上，并且利用此类数据以及机器学习，从基于云的软件中无线分享信息、接收提示，让自动驾驶汽车自己得到训练，并在赛道上保持最高行驶速度。 在构建基于IoT的解决方案之前，该研究小组考虑了几个选择，首先在虚拟车辆上采用了该解决方案。该团队获取了DeepRacer汽车以及赛道beta仿真，然后开始研发和测试RL算法。学生们利用模拟车型，并且将车辆命名为Virtual Car 42 。然后，他们开始对模拟车辆进行测试，结果发现，在正确完成特定圈数的基础上，他们研发的学习算法使其模拟车辆的表现优于AWS DeepRacer汽车。例如，该算法可以识别路上的弯道，并且调整车辆的转向和加速度，以尽可能快的速度在每条弯道上行驶。 2019年7月，该团队在实体车上使用了该软件。该实体车配备了车载摄像头和加速度陀螺仪，能够帮助识别车辆位置。学生们使用AWS Sage Maker机器学习平台，AWS Robotmaker机器人仿真平台通过WiFi或USB棒向车辆传输代码，然后，研究小组可以利用iPad或计算机对车辆数据的输入和输出进行控制。 应用于Virtual Car 42的机器学习算法也可以用于其他设备，例如商业或工艺应用中的设备或车辆。例如，通过使用WiFi或其他无线网络进行物联网连接，设备可以利用传感器捕捉并提供诸如预测性维护、图像和声音识别、监控等信息，同时还支持自动驾驶。据外媒报道，美国查尔斯顿学院（College of Charleston）数据科学专业的两名学生在科技公司Logicalis的指导下，完成了竞争学习（人工神经网络的一种学习方式），即利用边缘强化学习（RL）计算，帮助自动驾驶汽车在行驶时辨别方向。 该团队推出的系统，以物联网（IoT）为基础，采用Wi-Fi网联软件，利用亚马逊云计算IaaS和PaaS平台服务AWS的DeepRacer云控制台，能够与车辆进行通信，并且捕获摄像头图像，以更好地了解车辆的路径和位置，并且向其发送指令以改善加速和路径选择等性能。该团队表示，他们研发的竞争学习能够让该系统的表现优于基于AWS的模型。而且学生们研发的系统能够让车辆或其他设备了解其环境，并根据收集和解释的数据，在边缘（使用平板电脑或笔记本电脑）做出响应。 Starr和Turner都是数据科学专业的学生，他们参加了AWS DeepRacer项目（AWS发起的一项比赛，要求开发人员和科学家利用机器学习构建自动驾驶汽车），主要关注于为自动驾驶汽车研发和微调算法，从而能够利用传感器数据探测车辆位于哪个赛道上，并且利用此类数据以及机器学习，从基于云的软件中无线分享信息、接收提示，让自动驾驶汽车自己得到训练，并在赛道上保持最高行驶速度。 在构建基于IoT的解决方案之前，该研究小组考虑了几个选择，首先在虚拟车辆上采用了该解决方案。该团队获取了DeepRacer汽车以及赛道beta仿真，然后开始研发和测试RL算法。学生们利用模拟车型，并且将车辆命名为Virtual Car 42 。然后，他们开始对模拟车辆进行测试，结果发现，在正确完成特定圈数的基础上，他们研发的学习算法使其模拟车辆的表现优于AWS DeepRacer汽车。例如，该算法可以识别路上的弯道，并且调整车辆的转向和加速度，以尽可能快的速度在每条弯道上行驶。 2019年7月，该团队在实体车上使用了该软件。该实体车配备了车载摄像头和加速度陀螺仪，能够帮助识别车辆位置。学生们使用AWS Sage Maker机器学习平台，AWS Robotmaker机器人仿真平台通过WiFi或USB棒向车辆传输代码，然后，研究小组可以利用iPad或计算机对车辆数据的输入和输出进行控制。 应用于Virtual Car 42的机器学习算法也可以用于其他设备，例如商业或工艺应用中的设备或车辆。例如，通过使用WiFi或其他无线网络进行物联网连接，设备可以利用传感器捕捉并提供诸如预测性维护、图像和声音识别、监控等信息，同时还支持自动驾驶。
该团队推出的系统，以物联网（IoT）为基础，采用Wi-Fi网联软件，利用亚马逊云计算IaaS和PaaS平台服务AWS的DeepRacer云控制台，能够与车辆进行通信，并且捕获摄像头图像，以更好地了解车辆的路径和位置，并且向其发送指令以改善加速和路径选择等性能。该团队表示，他们研发的竞争学习能够让该系统的表现优于基于AWS的模型。而且学生们研发的系统能够让车辆或其他设备了解其环境，并根据收集和解释的数据，在边缘（使用平板电脑或笔记本电脑）做出响应。 Starr和Turner都是数据科学专业的学生，他们参加了AWS DeepRacer项目（AWS发起的一项比赛，要求开发人员和科学家利用机器学习构建自动驾驶汽车），主要关注于为自动驾驶汽车研发和微调算法，从而能够利用传感器数据探测车辆位于哪个赛道上，并且利用此类数据以及机器学习，从基于云的软件中无线分享信息、接收提示，让自动驾驶汽车自己得到训练，并在赛道上保持最高行驶速度。 在构建基于IoT的解决方案之前，该研究小组考虑了几个选择，首先在虚拟车辆上采用了该解决方案。该团队获取了DeepRacer汽车以及赛道beta仿真，然后开始研发和测试RL算法。学生们利用模拟车型，并且将车辆命名为Virtual Car 42 。然后，他们开始对模拟车辆进行测试，结果发现，在正确完成特定圈数的基础上，他们研发的学习算法使其模拟车辆的表现优于AWS DeepRacer汽车。例如，该算法可以识别路上的弯道，并且调整车辆的转向和加速度，以尽可能快的速度在每条弯道上行驶。 2019年7月，该团队在实体车上使用了该软件。该实体车配备了车载摄像头和加速度陀螺仪，能够帮助识别车辆位置。学生们使用AWS Sage Maker机器学习平台，AWS Robotmaker机器人仿真平台通过WiFi或USB棒向车辆传输代码，然后，研究小组可以利用iPad或计算机对车辆数据的输入和输出进行控制。 应用于Virtual Car 42的机器学习算法也可以用于其他设备，例如商业或工艺应用中的设备或车辆。例如，通过使用WiFi或其他无线网络进行物联网连接，设备可以利用传感器捕捉并提供诸如预测性维护、图像和声音识别、监控等信息，同时还支持自动驾驶。