| Περίληψη: | Η εφαρμογή της υπολογιστικής όρασης στην οδήγηση είναι ένα από τα
επιστημονικά πεδία που αναπτύσσονται με γοργό ρυθμό τα τελευταία χρόνια.
Η ανάπτυξη αυτόνομων οχημάτων, ικανών να αντιληφθούν το περιβάλλον
τους, να ξεχωρίσουν αντικείμενα, να λάβουν αποφάσεις για τις επόμενες
κινήσεις τους και να προγραμματίσουν τη βέλτιστη και πιο ασφαλή διαδρομή,
υπόσχεται μείωση των τροχαίων ατυχημάτων που μαστίζουν τη σύγχρονη
κοινωνία. Εκτός από τον παράγοντα της ασφάλειας, τα αυτόνομα οχήματα
μπορούν να συνεισφέρουν σημαντικά στη βελτίωση της ποιότητας ζωής των
ανθρώπων.
Το μεγαλύτερο μέρος της έρευνας που έχει πραγματοποιηθεί έως τώρα
αναφέρεται στη μελέτη σεναρίων με έναν μοναδικό πράκτορα. Ωστόσο,
πρόσφατα η δημοσίευση ενός συνόλου δεδομένων μεγάλης κλίμακας που
εμπεριέχει δεδομένα για την ίδια χρονική στιγμή για ένα δεδομένο σενάριο
από πολλαπλούς πράκτορες, έχει παρακινήσει πολλούς ερευνητές να
εξετάσουν το ενδεχόμενο επικοινωνίας μεταξύ των αυτόνομων οχημάτων. Η
παρούσα εργασία εστιάζει στα δεδομένα που μπορούν να ανταλλάξουν μεταξύ
τους τα συνδεδεμένα αυτόνομα οχήματα σε πραγματικό χρόνο και μελετά
μεθόδους που συγκεντρώνουν και αξιοποιούν την πληροφορία αυτή
στοχεύοντας στην ανίχνευση αντικειμένων, συγκεκριμένα άλλων οχημάτων,
στο περιβάλλον τους.
Το σύνολο δεδομένων, που χρησιμοποιείται στη συγκεκριμένη εργασία,
συλλέγεται από αισθητήρες LiDAR που είναι τοποθετημένοι στην οροφή των
οχημάτων και επιστρέφουν 3D δεδομένα που έχουν τη μορφή νέφους σημείων.
Οι υλοποιήσεις που μελετώνται βασίζονται σε βαθιά νευρωνικά δίκτυα, καθώς
φαίνεται ότι είναι πλέον η βέλτιστη επιλογή για εργασίες σχετικές με την
ανίχνευση δεδομένων. Συγκεκριμένα, οι αρχιτεκτονικές που αναπτύσσονται
εκμεταλλεύονται τον αλγόριθμο Point Pillars, γνωστός για την ακρίβεια και
ταχύτητα που παρέχει, και υλοποιούν μία από τις state-of-the-art μεθόδους για
τη συγκέντρωση δεδομένων. Πλήθος πειραμάτων πραγματοποιείται για την
εύρεση των κατάλληλων χαρακτηριστικών και παραμέτρων του μοντέλου που
θα αποδώσουν τη μέγιστη ακρίβεια. Ακόμα, επειδή τα σύνολα δεδομένων στα
οποία εκπαιδεύονται συνήθως τα μοντέλα αντιπροσωπεύουν πιο ιδανικές
καταστάσεις από τη πραγματικότητα σημαντική είναι η αξιολόγηση τους σε
δεδομένα με θόρυβο. Συνεπώς, εξετάζεται το ενδεχόμενο εισαγωγής θορύβου
στα δεδομένα λόγω του GPS αισθητήρα που διαθέτει το κάθε όχημα και η
αντοχή του μοντέλου σε δυσμενείς καιρικές συνθήκες, συγκεκριμένα στο
φαινόμενο της ομίχλης.
|
|---|
