Semantic 3D scene understanding for autonomous vehicles using deep learning

Los vehículos autónomos son uno de los retos más importantes de nuestra era. Sin embargo, para tenerlos funcionando en nuestras calles, necesitan conducir al menos de forma tan segura y precisa como los humanos. Desarrollar buenas capacidades de percepción para entender el entorno de conducción es e...

Descripción completa

Detalles Bibliográficos
Autor: Romera Carmena, Eduardo|||0000-0001-6250-6160
Tipo de recurso: tesis doctoral
Fecha de publicación:2018
País:España
Institución:Universidad de Alcalá (UAH)
Repositorio:e_Buah Biblioteca Digital Universidad de Alcalá
Idioma:inglés
OAI Identifier:oai:ebuah.uah.es:10017/42710
Acceso en línea:http://hdl.handle.net/10017/42710
Access Level:acceso abierto
Palabra clave:Inteligencia Artificial
Sistemas en Tiempo Real
Robótica
Visión Artificial
Electrónica
Electronics
id ES_ddd6faaaac320b2ce0e470f648d5efb7
oai_identifier_str oai:ebuah.uah.es:10017/42710
network_acronym_str ES
network_name_str España
repository_id_str
spelling Semantic 3D scene understanding for autonomous vehicles using deep learningRomera Carmena, Eduardo|||0000-0001-6250-6160Inteligencia ArtificialSistemas en Tiempo RealRobóticaVisión ArtificialElectrónicaElectronicsLos vehículos autónomos son uno de los retos más importantes de nuestra era. Sin embargo, para tenerlos funcionando en nuestras calles, necesitan conducir al menos de forma tan segura y precisa como los humanos. Desarrollar buenas capacidades de percepción para entender el entorno de conducción es esencial para lograrlo. Esta tesis busca aprovechar los avances recientes en visión computacional y técnicas de aprendizaje profundo para proveer a un coche de un entendimiento completo de la escena de conducción a partir de imágenes. Desarrollada en el contexto de un proyecto para construir un coche eléctrico autónomo en el campus, la eficiencia, precisión y robustez se han tenido en mente para proveer una solución realista. Proponemos unificar las tareas de percepción con una red convolucional de fin-a-fin (``end-to-end'') que obtiene segmentación semántica (i.e. clasificación de clases pixel a pixel) en imágenes de gran tama\~no de forma tanto eficiente como precisa. Además de testear en datasets existentes, analizamos concienzudamente y mejoramos la robustez de nuestro método en imágenes del mundo real que no fueron vistas durante el entrenamiento, de forma que pueda funcionar correctamente en un entorno real. Adicionalmente, nuestra red convolucional propuesta, ERFNet, se ha usado exitosamente en otros trabajos colaborativos tales como la asistencia a los discapacitados visuales usando gafas inteligentes. Todo el código es open-source y el trabajo derivado de esta tesis ha sido publicado en diversas conferencias y revistas de reconocido prestigio.Bergasa Pascual, Luis Miguel20182018-01-01doctoral thesishttp://purl.org/coar/resource_type/c_db06NAhttp://purl.org/coar/version/c_be7fb7dd8ff6fe43info:eu-repo/semantics/doctoralThesisapplication/pdfhttp://hdl.handle.net/10017/42710reponame:e_Buah Biblioteca Digital Universidad de Alcaláinstname:Universidad de Alcalá (UAH)Inglésengopen accesshttp://purl.org/coar/access_right/c_abf2Attribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessoai:ebuah.uah.es:10017/427102026-06-18T11:13:07Z
dc.title.none.fl_str_mv Semantic 3D scene understanding for autonomous vehicles using deep learning
title Semantic 3D scene understanding for autonomous vehicles using deep learning
spellingShingle Semantic 3D scene understanding for autonomous vehicles using deep learning
Romera Carmena, Eduardo|||0000-0001-6250-6160
Inteligencia Artificial
Sistemas en Tiempo Real
Robótica
Visión Artificial
Electrónica
Electronics
title_short Semantic 3D scene understanding for autonomous vehicles using deep learning
title_full Semantic 3D scene understanding for autonomous vehicles using deep learning
title_fullStr Semantic 3D scene understanding for autonomous vehicles using deep learning
title_full_unstemmed Semantic 3D scene understanding for autonomous vehicles using deep learning
title_sort Semantic 3D scene understanding for autonomous vehicles using deep learning
dc.creator.none.fl_str_mv Romera Carmena, Eduardo|||0000-0001-6250-6160
author Romera Carmena, Eduardo|||0000-0001-6250-6160
author_facet Romera Carmena, Eduardo|||0000-0001-6250-6160
author_role author
dc.contributor.none.fl_str_mv Bergasa Pascual, Luis Miguel
dc.subject.none.fl_str_mv Inteligencia Artificial
Sistemas en Tiempo Real
Robótica
Visión Artificial
Electrónica
Electronics
topic Inteligencia Artificial
Sistemas en Tiempo Real
Robótica
Visión Artificial
Electrónica
Electronics
description Los vehículos autónomos son uno de los retos más importantes de nuestra era. Sin embargo, para tenerlos funcionando en nuestras calles, necesitan conducir al menos de forma tan segura y precisa como los humanos. Desarrollar buenas capacidades de percepción para entender el entorno de conducción es esencial para lograrlo. Esta tesis busca aprovechar los avances recientes en visión computacional y técnicas de aprendizaje profundo para proveer a un coche de un entendimiento completo de la escena de conducción a partir de imágenes. Desarrollada en el contexto de un proyecto para construir un coche eléctrico autónomo en el campus, la eficiencia, precisión y robustez se han tenido en mente para proveer una solución realista. Proponemos unificar las tareas de percepción con una red convolucional de fin-a-fin (``end-to-end'') que obtiene segmentación semántica (i.e. clasificación de clases pixel a pixel) en imágenes de gran tama\~no de forma tanto eficiente como precisa. Además de testear en datasets existentes, analizamos concienzudamente y mejoramos la robustez de nuestro método en imágenes del mundo real que no fueron vistas durante el entrenamiento, de forma que pueda funcionar correctamente en un entorno real. Adicionalmente, nuestra red convolucional propuesta, ERFNet, se ha usado exitosamente en otros trabajos colaborativos tales como la asistencia a los discapacitados visuales usando gafas inteligentes. Todo el código es open-source y el trabajo derivado de esta tesis ha sido publicado en diversas conferencias y revistas de reconocido prestigio.
publishDate 2018
dc.date.none.fl_str_mv 2018
2018-01-01
dc.type.none.fl_str_mv doctoral thesis
http://purl.org/coar/resource_type/c_db06
NA
http://purl.org/coar/version/c_be7fb7dd8ff6fe43
dc.type.openaire.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
dc.identifier.none.fl_str_mv http://hdl.handle.net/10017/42710
url http://hdl.handle.net/10017/42710
dc.language.none.fl_str_mv Inglés
eng
language_invalid_str_mv Inglés
language eng
dc.rights.none.fl_str_mv open access
http://purl.org/coar/access_right/c_abf2
Attribution-NonCommercial-NoDerivatives 4.0 International
http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.openaire.fl_str_mv info:eu-repo/semantics/openAccess
rights_invalid_str_mv open access
http://purl.org/coar/access_right/c_abf2
Attribution-NonCommercial-NoDerivatives 4.0 International
http://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:e_Buah Biblioteca Digital Universidad de Alcalá
instname:Universidad de Alcalá (UAH)
instname_str Universidad de Alcalá (UAH)
reponame_str e_Buah Biblioteca Digital Universidad de Alcalá
collection e_Buah Biblioteca Digital Universidad de Alcalá
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869421896455421952
score 15,300719

Similares en LA Referencia