Detección del entorno 360º de un vehículo autónomo mediante LIDAR aplicando técnicas Deep Learning
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...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2020 |
| País: | España |
| Institución: | Universidad de Alcalá (UAH) |
| Repositorio: | e_Buah Biblioteca Digital Universidad de Alcalá |
| Idioma: | español |
| OAI Identifier: | oai:ebuah.uah.es:10017/47093 |
| Acceso en línea: | http://hdl.handle.net/10017/47093 |
| Access Level: | acceso abierto |
| Palabra clave: | Deep Learning KITTI LiDAR (Light Detection And Ranging) DAMOT CARLA Autonomous driving Conducción autónoma Ingeniería industrial Industrial engineering |
| Sumario: | 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. |
|---|