Embedded 3D Reconstruction for Autonomous Driving
L'objectiu d'aquesta tesi és estudiar algoritmes de reconstrucció 3D adequats per a la conducció autònoma. Per fer-ho, necessitem implementacions i representacions ràpides de l'entorn 3D que tinguin en compte la informació geomètrica i semàntica. L'ús de paral·lelització CUDA i G...
| Author: | |
|---|---|
| Format: | doctoral thesis |
| Publication Date: | 2020 |
| Country: | España |
| Institution: | Universitat Autònoma de Barcelona |
| Repository: | Dipòsit Digital de Documents de la UAB |
| Language: | English |
| OAI Identifier: | oai:ddd.uab.cat:241225 |
| Online Access: | https://ddd.uab.cat/record/241225 |
| Access Level: | Open access |
| Keyword: | Stixels GPU Visió per computador Visión por computador Computer vision Tecnologies |
| Summary: | L'objectiu d'aquesta tesi és estudiar algoritmes de reconstrucció 3D adequats per a la conducció autònoma. Per fer-ho, necessitem implementacions i representacions ràpides de l'entorn 3D que tinguin en compte la informació geomètrica i semàntica. L'ús de paral·lelització CUDA i GPU permet aprofitar maquinari flexible i programable d'alt rendiment per complir els requisits de temps exigents. La tesi presenta tres contribucions principals. En primer lloc, descrivim la paral·lelització del conegut algorisme d'estèreo basat en el Semi-Global Matching (SGM), que estima la profunditat a partir de dues imatges estèreo. Desplegem un disseny de paral·lelització eficient que funciona a les GPU de baix consum energètic i aconsegueix un rendiment en temps real. Com a segona contribució, presentem una millora del model de representació 3D anomenat Stixel World, que representa les superfícies inclinades. L'extensió del model ajuda a representar escenes reals que fallen sota els supòsits anteriors i, mitjançant una regularització eficient del model, manté la mateixa precisió que el model anterior. També proposem una estratègia algorítmica per accelerar el procés, que redueix la quantitat de combinacions Stixel provades. Finalment, expliquem les nostres estratègies de paral·lelització per a l'algorisme de segmentació de Stixel. Proposem una estratègia de paral·lelització que s'adapti a l'arquitectura massivament paral·lela de les GPU. També estudiem les diferents tècniques d'acceleració disponibles per a Stixels i com es poden implementar de manera eficient per a aquesta arquitectura. A més, el nostre enfocament redueix la complexitat computacional de l'algorisme mitjançant la reformulació del model. |
|---|