Language:

• 🇬🇧 ENGLISH VERSION
• 🇮🇹 ITALIAN VERSION

ENGLISH VERSION

Smart Car 🧠🚗

Project developed as part of the Information Visualization course at the University of Salerno.

👥 Team

• Simone Scermino
• Ciro Vitale

📝 Description

The project addresses Smart Mobility challenges, focusing on safe driving and compliance with road signs, both horizontal and vertical, through a Unity simulation enhanced by Reinforcement Learning techniques.

Objectives

• Creation of a realistic simulation environment in Unity
• Implementation of an autonomous agent with environmental perception capabilities
• Agent training through Reinforcement Learning
• Testing the agent in diverse scenarios to evaluate its generalization capability

🛠️ Technologies Used

• Unity
• ML-Agents
• TensorBoard

🚀 Getting Started

Demo

1. Download the project
2. Open the smart-car folder in Unity
3. Press Play to start the simulation with 5 karts using the best model (available in the results folder)

Training and Monitoring

1. Create a Python virtual environment
2. Activate the virtual environment
3. Install dependencies:

pip install -r requirements.txt

4. Run the training:

mlagents-learn config/trainer_config.yaml --run-id=run001

5. Monitor the training with TensorBoard:

tensorboard --logdir=results --port=6006

📊 Presentation

You can watch a demo video at the following link: demo video.

For more details on the project, please refer to the complete presentation, for a correct viewing experience, view it in presentation mode.

ITALIAN VERSION

Smart Car 🧠🚗

Progetto realizzato nell'ambito del corso di Information Visualization presso l'Università degli Studi di Salerno.

👥 Team

• Simone Scermino
• Ciro Vitale

📝 Descrizione

Il progetto affronta le sfide della Smart Mobility, concentrandosi sulla guida sicura e sul rispetto della segnaletica stradale, orizzontale e verticale, attraverso una simulazione in Unity potenziata da tecniche di Reinforcement Learning.

Obiettivi

• Creazione di un ambiente di simulazione realistico in Unity
• Implementazione di un agente autonomo con capacità di percezione ambientale
• Training dell'agente mediante Reinforcement Learning
• Test dell'agente in scenari diversificati per valutarne la capacità di generalizzazione

🛠️ Tecnologie Utilizzate

• Unity
• ML-Agents
• TensorBoard

🚀 Come Iniziare

Demo

1. Scaricare il progetto
2. Aprire la cartella smart-car in Unity
3. Premere Play per avviare la simulazione con 5 kart che utilizzano il modello migliore (disponibile nella cartella results)

Training e Monitoraggio

1. Creare un ambiente virtuale Python
2. Attivare l'ambiente virtuale
3. Installare le dipendenze:

pip install -r requirements.txt

4. Eseguire il training:

mlagents-learn config/trainer_config.yaml --run-id=run001

5. Monitorare l'addestramento con TensorBoard:

tensorboard --logdir=results --port=6006

📊 Presentazione

È possibile visionare una demo video al seguente link.

Per maggiori dettagli sul progetto consultare la presentazione completa, per una corretta fruizione visionare in modalità presentazione.