Case Study · Simulation, KI und Hardware

Self-Driving Car

Eine Fahrlogik zuerst im Browser trainieren und anschließend auf ein Modellfahrzeug übertragen.

Ein Eigenprojekt, das eine browserbasierte Fahrsimulation mit einer trainierten neuronalen Fahrlogik und einem realen Raspberry-Pi-Modellfahrzeug verbindet.

GitHub öffnen

JavaScriptTypeScriptHTML5 CanvasNeuronale NetzeRaspberry Pi

Raspberry-Pi-basierter Hardware-Prototyp eines autonomen Modellfahrzeugs

Projektüberblick

Das Eigenprojekt verbindet drei Bereiche: eine Canvas-basierte Verkehrssimulation, eine selbst entwickelte neuronale Fahrlogik und ein physisches Modellfahrzeug mit Raspberry Pi. Die Simulation dient als kontrollierte Umgebung, bevor Steuerungsprinzipien auf Hardware übertragen werden.

Mein BeitragSimulation · Sensorlogik · Training · Raspberry-Pi-Transfer

Technischer FokusHTML5 Canvas · Neuronale Netze · Optimierung · Hardware

SystemtypExperimentelles Full-Stack-/Embedded-Eigenprojekt

Projektumfang

Reales Training ist langsam, schwer reproduzierbar und kann Hardware beschädigen. Gleichzeitig muss die simulierte Sensorik so aufgebaut sein, dass die Fahrlogik später auf reale Eingangswerte und Motorbefehle übertragen werden kann.

Umsetzung

Eine Browser-Simulation erzeugt Straßen, Verkehr, Kollisionen und virtuelle Sensorstrahlen. Mehrere neuronale Netze werden anhand ihrer Fahrleistung verglichen und iterativ optimiert. Die gewonnene Steuerlogik bildet anschließend die Grundlage für die Raspberry-Pi-Integration.

Screenshots & Medien

Simulation und Hardware

Entwicklung eines autonomen Modellfahrzeugs: Beginnend mit einer Simulation auf einer geraden Strecke, über das Training der KI in offenem Gelände mit Hindernissen bis hin zur Übertragung der gelernten Fahrlogik auf einen realen Hardware-Prototyp.

Fahrsimulation auf einer geraden Strecke mit Sensoren und Fahrzeugen — 02Erstes KI-Training in einer kontrollierten Simulationsumgebung auf einer geraden Strecke.

Offroad-Simulation mit Hindernissen zum Training eines autonomen Fahrzeugs — 03Training der KI in einer Offroad-Umgebung mit Hindernissen zur Verbesserung der autonomen Fahrfähigkeiten.

Architektur

Systemarchitektur

Die Pipeline trennt Wahrnehmung, Entscheidung und Ausführung. Dadurch lassen sich Sensoren oder Motorsteuerung austauschen, ohne die gesamte Logik neu aufzubauen.

01Canvas Simulation

Straße, Verkehr und Kollisionen

02Virtuelle Sensoren

Abstände und Hindernisse

03Neurales Netz

Lenkung und Geschwindigkeit

04Fitness & Selektion

Vergleich mehrerer Generationen

05Raspberry Pi

Reale Sensoren und Motoren

Entscheidungen

Zentrale technische Entscheidungen

Das Projekt wurde als Lern- und Experimentiersystem konzipiert. Jede Entscheidung sollte sichtbar machen, wie Eingangsdaten, Netzentscheidung und Fahrzeugbewegung zusammenhängen.

Simulation vor Hardware

Die Browserumgebung ermöglicht viele reproduzierbare Testläufe und macht Fehler sichtbar, bevor Motoren und reale Sensoren beteiligt sind.

Sensorstrahlen als verständliche Eingabe

Abstandswerte aus mehreren Richtungen bilden eine kleine, nachvollziehbare Eingabeschicht für das neuronale Netz.

Evolutionäre Optimierung

Mehrere Varianten werden anhand ihrer Fahrleistung verglichen. Erfolgreiche Netze dienen als Ausgangspunkt für die nächste Generation.

Umsetzung

Umsetzung in vier Schritten

Von der visuellen Simulation bis zum Hardware-Prototyp wurde jede Ebene einzeln validiert und anschließend mit der nächsten verbunden.

Fahrphysik und Strecke

Bewegung, Straßenbegrenzungen, Verkehr und Kollisionen in Canvas modellieren.

Sensorik visualisieren

Strahlen aussenden, Schnittpunkte berechnen und Abstände als Netzinput normalisieren.

Netze trainieren

Fahrleistung bewerten, geeignete Modelle selektieren und kontrolliert variieren.

Hardware übertragen

Virtuelle Eingänge und Ausgänge auf Raspberry-Pi-Sensoren und Motorsteuerung abbilden.

Ergebnis

Nachvollziehbare Verbindung zwischen Sensorwerten und Fahrentscheidung
Schnelle Experimente in einer reproduzierbaren Browserumgebung
Technische Grundlage für die Übertragung auf ein Raspberry-Pi-Modellfahrzeug

Technologie-Stack

JavaScriptTypeScriptHTML5 CanvasNeuronale NetzeRaspberry PiPython

Nächstes Projekt

Frontend Showcase

Eine Sammlung verschiedener Frontend-Projekte mit Fokus auf responsive Layouts, moderne Benutzeroberflächen und praxisnahe Webentwicklung.

Case Study öffnen

Alle Projekte ansehen

Zusammenarbeit

Ein ähnliches System oder eine neue Produktidee?

Lass uns über Architektur, Frontend und eine saubere technische Umsetzung sprechen.

E-Mail schreiben