ESTIMAÇÃO DE PROFUNDIDADE MONOCULAR BASEADA EM REDES NEURAIS PROFUNDAS PARA MAPEAMENTO, LOCALIZAÇÃO E NAVEGAÇÃO DE VEÍCULOS AUTÔNOMOS
Nome: MARCOS THIAGO PIUMBINI
Data de publicação: 22/09/2023
Banca:
Nome |
Papel |
|---|---|
| ALBERTO FERREIRA DE SOUZA | Orientador |
Resumo: Apresentamos um sistema de construção de mapas de grade de ocupação para o carro autônomo IARA, utilizando a profundidade de imagens monoculares obtida através de redes neurais. A estimativa de profundidade a partir de imagens monoculares ainda é um desafio para redes neurais profundas, no entanto, arquiteturas recentes baseadas em transformadores têm demonstrado um desempenho promissor, tornando possível sua utilização em aplicações robóticas do mundo real. Neste trabalho, utilizamos a arquitetura baseada em transformadores GLPDepth para construir um sistema que calcula a profundidade de imagens monoculares capturadas por um carro autônomo e, com pré-processamento adequado, emprega essas informações de profundidade para construir mapas de grade de ocupação apropriados para veículos autônomos. Para avaliar o desempenho do sistema proposto, integramos o sistema aos sistemas de percepção e navegação de um veículo autônomo e testamos em cenários do mundo real. Nossos resultados mostraram que as câmeras monoculares podem ser usadas como o principal sensor para operação autônoma de carros autônomos em baixas velocidades. No entanto, é importante destacar que o desempenho do sistema ainda é limitado em relação ao uso de sensores LIDAR em situações de alta velocidade ou em ambientes complexos e desafiadores. O sistema proposto apresenta um desempenho promissor para a construção de mapas de grade de ocupação para carros autônomos usando câmeras monoculares com redes neurais profundas baseadas em transformadores, e pode ser uma alternativa mais econômica e simples para os sensores LIDAR em certas situações. No entanto, o uso de outros sensores, juntamente com as câmeras monoculares, pode ser necessário para garantir a segurança em todas as condições de operação.
