Please use this identifier to cite or link to this item:
http://hdl.handle.net/10773/31213
Title: | Object identification for autonomous vehicles based on machine learning |
Other Titles: | Identificação de objetos para veículos autónomos com base em aprendizagem automática |
Author: | Guedes, Diogo Alexandre Amaral Conde |
Advisor: | Drummond, Miguel Vidal Georgieva, Pétia |
Keywords: | Autonomous driving LiDAR Simulator Point cloud Deep learning Object identification |
Defense Date: | 25-Jan-2021 |
Abstract: | Autonomous driving is one of the most actively researched fields in artificial
intelligence. The autonomous vehicles are expected to significantly reduce
the road accidents and casualties one day when they become sufficiently
mature transport option. Currently much effort is focused to prove the
concept of autonomous vehicles that is based on a suit of sensors to observe
their surroundings. In particular, camera and LiDAR are researched as an
efficient combination of sensors for on-line object identification on the road.
2D object identification is an already established field in Computer Vision.
The successful application of Deep Learning techniques has led to 2D vision
with Human-level accuracy. However, for a matter of improved safety more
advanced approaches suggest that the vehicle should not rely on a single
class of sensors. LiDAR has been proposed as an additional sensor, particularly
due to its 3D vision capability. 3D vision relies on LiDAR captured data
to recognize objects in 3D. However, in contrast to the 2D object identifi- cation, 3D object detection is a relatively immature field and still has many
challenges to overcome. In addition, LiDARs are expensive sensors, which
makes the acquisition of data required for training 3D object recognition
techniques expensive tasks as well.
In this context, this Master's thesis has the major goal to further facilitate
the 3D object identification for autonomous vehicles based on Deep Learning
(DL). The specific contributions of the present work are the following.
First, a comprehensive overview of the state of the art Deep Learning architectures
for 3D object identification based on Point Clouds. The purpose
of this overview is to understand how to better approach such a problem in
the context of autonomous driving.
Second, synthetic but realistic Lidar captured data was generated in the
GTA V virtual environment. Tools were developed to convert the generated
data into the KITTI dataset format, which has become standard in 3D
object detection techniques for autonomous driving.
Third, some of the overviewed 3D object identification DL architectures
were evaluated with the generated data. Though their performance with
the generated data was worse than with the original KITTI data, the models
were still able to correctly process the synthetic data without being retrained.
The future benefit of this work is that the models can be further
trained with home-made data and varying testing scenarios.
The implemented GTA V mod has proved to be capable of providing rich,
well-structured and compatible datasets with the state of the art 3D object
identification architectures.
The developed tool is publicly available and we hope it will be useful in
advancing 3D object identification for autonomous driving, as it removes
the dependency from datasets provided by a third party. Condução autónoma é uma das áreas mais ativamente estudadas em inteligência artificial. É esperado que os veículos autónomos reduzam significativamente os acidentes rodoviários e vitimas mortais quando se tornarem suficientemente maturos como opção de transporte. Atualmente, muitos dos esforços estão focados na prova de conceito de veículos autónomos serem baseados num conjunto de sensores que observam o ambiente em redor. Em particular, a camara e o LiDAR são estudados como sendo uma combinação eficiente de sensores para realização de identificação de objectos on-line nas estradas. Identificação de objetos 2D é uma área de estudo já estabelecida no campo de Computação Visual. O sucesso na aplicação de técnicas de Deep Learning levou a que a visão 2D atingisse uma precisão ao nível Humano. No entanto, de forma a melhorar a segurança, abordagens mais avançadas sugerem que o veículo não deve depender de uma única classe de sensores. O LiDAR foi proposto como sendo um sensor adicional, particularmente devido à sua capacidade de visão 3D. Visão 3D depende dos dados capturados pelo LiDAR para reconhecer objetos em 3D. No entanto, em contraste com a identificação de objetos 2D, a identificação de objetos 3D é um campo de estudos relativamente imaturo e ainda possui muitos desafios para ultrapassar. Adicionalmente, LiDARs são sensores dispendiosos, o que também torna a aquisição de dados necessários para o treino de técnicas de reconhecimento de objetos 3D mais cara. Neste contexto, esta tese de Mestrado tem como objetivo principal facilitar a identificação de objetos 3D, baseada em Deep Learning (DL), para veículos autónomos. As contribuições especificas deste trabalho são as seguintes. Primeiro, uma visão global compreensiva do estado de arte relativo _as arquiteturas Deep Learning para identificação de objetos 3D baseadas em point clouds. O propósito desta visão global é para perceber como melhor abordar este tipo de problema no contexto de condução autónoma. Segundo, foi gerado um dataset sintético, mas realista, com dados capturados por um LiDAR no ambiente virtual do GTA V. Foram desenvolvidas ferramentas para converter os dados gerados no formato do dataset do KITTI, que se tornou num standard para avaliação de técnicas de deteção de objetos 3D para condução autónoma. Terceiro, algumas das arquiteturas DL de identificação de objetos 3D revistas foram avaliadas com o dataset gerado. Apesar da sua performance com o dataset gerado ter sido pior que os resultados no dataset original do KITTI, os models chegaram a conseguir processar corretamente os dados sintéticos sem serem retreinados. O benefício futuro deste trabalho consiste nos modelos poderem ser adicionalmente treinados com dados produzidos localmente e testados em cenários variados. O mod do GTA V implementado provou ser capaz de fornecer datasets ricos, bem estruturados e compatíveis com o estado de arte em arquiteturas de identificação de objetos 3D. A ferramenta desenvolvida está disponível publicamente e esperamos que seja útil para o avanço da identificação de objetos 3D para condução autónoma, já que remove a dependência de datasets fornecidos por terceiros. |
URI: | http://hdl.handle.net/10773/31213 |
Appears in Collections: | UA - Dissertações de mestrado DETI - Dissertações de mestrado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Documento_Diogo_Guedes.pdf | 28.81 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.