Ανίχνευση αντικειμένων σε αστικό περιβάλλον από αυτόνομα οχήματα με χρήση τεχνικών βαθιάς μάθησης
Στη σημερινή εποχή οι μεταφορές αποτελούν ένα αναπόσπαστο κομμάτι της καθημερινότητας μας. Η ορθή λειτουργιά τους αποτελεί ζωτικής σημασίας για πολλούς τομείς που αφορούν τη σύγχρονη κοινωνία όπως το εμπόριο και κατ’ επέκταση την οικονομία αλλά και το περιβάλλον. Υπάρχει η απαίτηση οι μεταφορές ν...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2021
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/15559 |
| id |
nemertes-10889-15559 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Αυτοματοποιημένα συστήματα οδήγησης Μεταφορές Ανίχνευση αντικειμένων Βαθιά μάθηση Οπτική κάμερα Transportation Automated driving systems Object detection Deep learning Optical camera LiDar |
| spellingShingle |
Αυτοματοποιημένα συστήματα οδήγησης Μεταφορές Ανίχνευση αντικειμένων Βαθιά μάθηση Οπτική κάμερα Transportation Automated driving systems Object detection Deep learning Optical camera LiDar Βυτόγιαννης, Παναγιώτης Ανίχνευση αντικειμένων σε αστικό περιβάλλον από αυτόνομα οχήματα με χρήση τεχνικών βαθιάς μάθησης |
| description |
Στη σημερινή εποχή οι μεταφορές αποτελούν ένα αναπόσπαστο κομμάτι της
καθημερινότητας μας. Η ορθή λειτουργιά τους αποτελεί ζωτικής σημασίας για πολλούς
τομείς που αφορούν τη σύγχρονη κοινωνία όπως το εμπόριο και κατ’ επέκταση την
οικονομία αλλά και το περιβάλλον. Υπάρχει η απαίτηση οι μεταφορές να επιτυγχάνονται
γρηγορότερα, ασφαλέστερα με το ελάχιστο δυνατό κόστος καθώς και να είναι φιλικές προς
το περιβάλλον. Έτσι προκύπτει η ανάγκη δημιουργίας ευφυών αυτόνομων συστημάτων
μεταφοράς που λαμβάνουν υπόψη τους όλες τις παραπάνω απαιτήσεις επιτελώντας τες
αποτελεσματικά. Μια από τις βασικότερες λειτουργίες που συνθέτουν ένα
Αυτοματοποιημένο Σύστημα Οδήγησης αφορά την κατανόηση του περιβάλλοντος με μέρος
αυτού να αποτελεί η ανίχνευση των γύρω αντικειμένων σε πραγματικό χρόνο. Στόχος της
παρούσας Διπλωματικής Εργασίας αποτελεί η υλοποίηση ενός συστήματος ανίχνευσης
αντικειμένων στο πλαίσιο ενός Αυτοματοποιημένου Συστήματος Οδήγησης με χρήση Βαθιάς
Μάθησης. Αρχικά θα πραγματοποιηθεί μια σύντομη περιγραφή, των Αυτοματοποιημένων
Συστημάτων Οδήγησης, των επιμέρους κατηγοριών υπό τις οποίες εμφανίζονται καθώς και
στα μέρη που τις συνθέτουν. Θα ακολουθήσει μια εισαγωγή στην Βαθιά Μάθηση ως αρχή
για την περιγραφή μεθόδων Ανίχνευσης Αντικειμένων Βαθιάς Μάθησης υπό το πρίσμα τριών
κατηγοριών που/όσον αφορούν τα δεδομένα εισόδου: Οπτικής Κάμερας , LiDar και
συνδυασμού αυτών. Στη συνέχεια θα πραγματοποιηθεί η περιγραφή της προς υλοποίησης
μεθόδου Βαθιάς Μάθησης. Πιο συγκεκριμένα το σύστημα θα δέχεται ως είσοδο δεδομένα
από Οπτική Κάμερα και LiDar , τα οποία θα ακολουθούνται από μια βασική επεξεργασία
προτού τροφοδοτηθούν στο βασικό μέρος του συστήματος που εκφράζεται ως Συνελικτικού
Νευρωνικού Δικτύου και το οποίο θα εκπαιδευτεί σε πανομοιότυπα δεδομένα. Το
συγκεκριμένο σύστημα αποτελείται από δυο μέρη ένα που προτείνει πιθανές ,ως προς την
εμφάνιση αντικειμένων , περιοχές και το τελευταίο που επιτελεί την Ανίχνευση Αντικειμένων
πάνω σε αυτές |
| author2 |
Vytogiannis, Panagiotis |
| author_facet |
Vytogiannis, Panagiotis Βυτόγιαννης, Παναγιώτης |
| author |
Βυτόγιαννης, Παναγιώτης |
| author_sort |
Βυτόγιαννης, Παναγιώτης |
| title |
Ανίχνευση αντικειμένων σε αστικό περιβάλλον από αυτόνομα οχήματα με χρήση τεχνικών βαθιάς μάθησης |
| title_short |
Ανίχνευση αντικειμένων σε αστικό περιβάλλον από αυτόνομα οχήματα με χρήση τεχνικών βαθιάς μάθησης |
| title_full |
Ανίχνευση αντικειμένων σε αστικό περιβάλλον από αυτόνομα οχήματα με χρήση τεχνικών βαθιάς μάθησης |
| title_fullStr |
Ανίχνευση αντικειμένων σε αστικό περιβάλλον από αυτόνομα οχήματα με χρήση τεχνικών βαθιάς μάθησης |
| title_full_unstemmed |
Ανίχνευση αντικειμένων σε αστικό περιβάλλον από αυτόνομα οχήματα με χρήση τεχνικών βαθιάς μάθησης |
| title_sort |
ανίχνευση αντικειμένων σε αστικό περιβάλλον από αυτόνομα οχήματα με χρήση τεχνικών βαθιάς μάθησης |
| publishDate |
2021 |
| url |
http://hdl.handle.net/10889/15559 |
| work_keys_str_mv |
AT bytogiannēspanagiōtēs anichneusēantikeimenōnseastikoperiballonapoautonomaochēmatamechrēsētechnikōnbathiasmathēsēs AT bytogiannēspanagiōtēs objectdetectioninurbanenvironmentsbyautonomousvehiclesusingdeeplearningmethods |
| _version_ |
1771297347332997120 |
| spelling |
nemertes-10889-155592022-09-05T20:29:25Z Ανίχνευση αντικειμένων σε αστικό περιβάλλον από αυτόνομα οχήματα με χρήση τεχνικών βαθιάς μάθησης Object detection in urban environments by autonomous vehicles using deep learning methods Βυτόγιαννης, Παναγιώτης Vytogiannis, Panagiotis Αυτοματοποιημένα συστήματα οδήγησης Μεταφορές Ανίχνευση αντικειμένων Βαθιά μάθηση Οπτική κάμερα Transportation Automated driving systems Object detection Deep learning Optical camera LiDar Στη σημερινή εποχή οι μεταφορές αποτελούν ένα αναπόσπαστο κομμάτι της καθημερινότητας μας. Η ορθή λειτουργιά τους αποτελεί ζωτικής σημασίας για πολλούς τομείς που αφορούν τη σύγχρονη κοινωνία όπως το εμπόριο και κατ’ επέκταση την οικονομία αλλά και το περιβάλλον. Υπάρχει η απαίτηση οι μεταφορές να επιτυγχάνονται γρηγορότερα, ασφαλέστερα με το ελάχιστο δυνατό κόστος καθώς και να είναι φιλικές προς το περιβάλλον. Έτσι προκύπτει η ανάγκη δημιουργίας ευφυών αυτόνομων συστημάτων μεταφοράς που λαμβάνουν υπόψη τους όλες τις παραπάνω απαιτήσεις επιτελώντας τες αποτελεσματικά. Μια από τις βασικότερες λειτουργίες που συνθέτουν ένα Αυτοματοποιημένο Σύστημα Οδήγησης αφορά την κατανόηση του περιβάλλοντος με μέρος αυτού να αποτελεί η ανίχνευση των γύρω αντικειμένων σε πραγματικό χρόνο. Στόχος της παρούσας Διπλωματικής Εργασίας αποτελεί η υλοποίηση ενός συστήματος ανίχνευσης αντικειμένων στο πλαίσιο ενός Αυτοματοποιημένου Συστήματος Οδήγησης με χρήση Βαθιάς Μάθησης. Αρχικά θα πραγματοποιηθεί μια σύντομη περιγραφή, των Αυτοματοποιημένων Συστημάτων Οδήγησης, των επιμέρους κατηγοριών υπό τις οποίες εμφανίζονται καθώς και στα μέρη που τις συνθέτουν. Θα ακολουθήσει μια εισαγωγή στην Βαθιά Μάθηση ως αρχή για την περιγραφή μεθόδων Ανίχνευσης Αντικειμένων Βαθιάς Μάθησης υπό το πρίσμα τριών κατηγοριών που/όσον αφορούν τα δεδομένα εισόδου: Οπτικής Κάμερας , LiDar και συνδυασμού αυτών. Στη συνέχεια θα πραγματοποιηθεί η περιγραφή της προς υλοποίησης μεθόδου Βαθιάς Μάθησης. Πιο συγκεκριμένα το σύστημα θα δέχεται ως είσοδο δεδομένα από Οπτική Κάμερα και LiDar , τα οποία θα ακολουθούνται από μια βασική επεξεργασία προτού τροφοδοτηθούν στο βασικό μέρος του συστήματος που εκφράζεται ως Συνελικτικού Νευρωνικού Δικτύου και το οποίο θα εκπαιδευτεί σε πανομοιότυπα δεδομένα. Το συγκεκριμένο σύστημα αποτελείται από δυο μέρη ένα που προτείνει πιθανές ,ως προς την εμφάνιση αντικειμένων , περιοχές και το τελευταίο που επιτελεί την Ανίχνευση Αντικειμένων πάνω σε αυτές Nowadays, transport is an integral part of our daily lives. Their proper functioning is vital for many sectors of modern society, such as trade and, consequently, the economy and the environment. There is a need for transport to be faster, safer at the lowest possible cost and to be environmentally friendly. Thus, arises the need to create intelligent autonomous transmission systems that take into account all the above requirements while performing them efficiently. One of the main functions of an Automated Driving System is to understand the environment, with a part of it consisting the detection of the surrounding objects in real time. The aim of this Thesis is the implementation of an Object Detection system in the context of an Automated Driving System using Deep Learning. Initially, a brief description of the Automated Driving Systems will be made, of the sub-categories under which they appear, as well as the parts that compose them. This will be followed by an introduction to Deep Learning as a starting point for describing Deep Learning Object Detection methods in the light of three categories of input data: Optical Camera, LiDar and a combination of these. The description of the Deep Learning method to be implemented will then be made(follow). More specifically, the system will receive as input data from Optical Camera and LiDar, which will be followed by a basic processing before being fed to the major part of the system expressed as a Convolutional Neural Network and which will be trained in identical data. This system consists of two parts, one that suggests possible, in terms of the appearance of objects, areas and the last one, that performs the Object Detection task 2021-11-10T06:09:52Z 2021-11-10T06:09:52Z 2021-11-09 http://hdl.handle.net/10889/15559 gr application/pdf |
