Traffic Light Recognition Using Deep Learning and Prior Maps for Autonomous Cars

Nome: Lucas Caetano Possatti
Tipo: Dissertação de mestrado acadêmico
Data de publicação: 21/10/2019
Orientador:

Nomeordem decrescente Papel
Thiago Oliveira dos Santos Orientador

Banca:

Nomeordem decrescente Papel
Alberto Ferreira De Souza Examinador Interno
Karin Satie Komati Examinador Externo
Thiago Oliveira dos Santos Orientador

Resumo: Em cruzamentos complexos, motoristas humanos conseguem facilmente identificar quais
semáforos são relevantes para a rota que eles intendem seguir, e quais são os seus estados
(vermelho, amarelo, ou verde). Porém, isso permanece uma tarefa desafiadora para veículos
autônomos. Na literatura, uma solução efetiva para esse problema consiste em unir
reconhecimento de semáforos com mapeamento prévio de semáforos. Técnicas de Deep
Learning têm mostrado grandes resultados e poder de generalização, incluindo para
problemas relacionados ao trânsito. Motivados pelos avanços em Deep Learning, alguns
trabalhos recentes utilizam detectores estado da arte formados por técnicas de Deep
Learning para localizar semáforos e classificar seus estados em imagens 2D. Porém,
nenhum deles combina o poder desses detectores com mapas de semáforos para identificar
o estado dos semáforos relevantes. Baseado nisso, este trabalho propõe integrar o poder de
detectores baseados em Deep Learning com mapas de semáforos no nosso carro autônomo,
IARA (acrônimo para Intelligent Autonomous Robotic Automobile), para reconhecer os
semáforos relevantes de rotas pré-definidas. O processo é dividido em duas fases: uma
offline para construção dos mapas necessários; e uma online para reconhecimento dos
semáforos relevantes. Dois tipos de modelos para detecção e classificação de semáforos
são abordados. Um é composto por um único modelo de Deep Learning que detecta e
classifica o estado de semáforos em uma única etapa. O outro usa um detector Deep
Learning para localizar semáforos, e um modelo à parte para classificar seus estados. O
sistema proposto foi avaliado em cinco casos de teste (rotas) na cidade de Vitória, cada
caso é composto por uma sequência de vídeo e mapas de semáforos relevantes para a rota.
Os resultados mostram que o sistema proposto é capaz de corretamente identificar os
semáforos relevantes ao longo das trajetórias

Acesso ao documento

Acesso à informação
Transparência Pública

© 2013 Universidade Federal do Espírito Santo. Todos os direitos reservados.
Av. Fernando Ferrari, 514 - Goiabeiras, Vitória - ES | CEP 29075-910