Detección del entorno 360º de un vehículo autónomo mediante LIDAR aplicando técnicas Deep Learning
Authors
Egido Sierra, Javier delDirector
Barea Navarro, RafaelDate
2020Keywords
Deep Learning
Conducción autónoma
KITTI
LiDAR (Light Detection And Ranging)
DAMOT
CARLA
Autonomous driving
Document type
info:eu-repo/semantics/masterThesis
Version
info:eu-repo/semantics/acceptedVersion
Rights
Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Access rights
info:eu-repo/semantics/openAccess
Abstract
Este trabajo analiza el estado del arte en detección y seguimiento de múltiples objetos
dinámicos (DAMOT) en el entorno de un vehículo autónomo mediante técnicas
basadas en deep learning, evaluando el rendimiento de diferentes metodologías y
estableciendo un pipeline funcional con la solución óptima.
Los diferentes objetos que se encuentran en la escena son detectados a partir de una
nube de puntos proporcionada por un sensor LIDAR, obteniendo una alta tasa de
acierto con elevada precisión de localización 3D. Para ello, se evalúan diferentes redes
neuronales sobre la base de datos KITTI [1] con el objetivo de obtener datos
cuantitativos de su desempeño.
Posteriormente, se estudian diferentes procedimientos de seguimiento de los objetos
detectados basados en técnicas tradicionales y deep learning, siendo capaz de
identificar unívocamente cada objeto con el propósito de seguir su trayectoria. Al
igual que en la etapa de detección, se extraen datos cuantitativos a través del análisis
en la base de datos KITTI y la herramienta de evaluación 3D MOT desarrollada por
AB3DMOT [2].
Una vez identificadas las técnicas de detección y seguimiento óptimas se aplicarán
sobre diversas escenas urbanas obtenidas mediante el simulador de conducción
CARLA [3] y la base de datos KITTI, analizando cualitativamente el funcionamiento
sobre sensores de conducción autónoma tanto simulados como reales.
Finalmente, se implementará el pipeline óptimo en un sistema embebido Nvidia
Jetson AGX Xavier sobre el vehículo eléctrico autónomo en desarrollo para el proyecto
Techs4AgeCar, obteniendo un análisis cuantitativo del sistema en tiempo real. This work studies the state-of-the-art detection and multi-object tracking (DAMOT)
techniques into autonomous vehicles surroundings based on deep learning, analyzing
the performance achieved by different methods and developing a functional pipeline
with the optimal configuration.
Dynamic objects in scene are detected from a tridimensional LIDAR point cloud,
obtaining a high success rate along with a precise 3D localization. To do so, different
neural networks are evaluated on KITTI dataset with the aim of setting a comparison
based on quantitative results.
On a second stage, several multi-object tracking approaches based on both traditional
techniques and deep learning are applied, being able to uniquely identify each object
in scene and follow its trajectory. Similarly to detection phase, quantitative results are
obtained from KITTI dataset and 3D MOT evaluation tool provided by AB3DMOT.
When optimal detection and tracking techniques are identified they will be applied on
several urban scenes obtained in CARLA driving simulator and KITTI tracking subset,
analyzing the qualitative performance over simulated and real autonomous driving
sensors.
Finally, an optimal DAMOT pipeline will be implemented on an embedded system on
developing autonomous electric vehicle for Techs4AgeCar project, performing a
quantitative analysis on a real-time application.
Files in this item
Files | Size | Format |
|
---|---|---|---|
TFM_Egido_Sierra_2020.pdf | 3.791Mb |
|
Files | Size | Format |
|
---|---|---|---|
TFM_Egido_Sierra_2020.pdf | 3.791Mb |
|