Image-Based Real-Time Path Generation Using Deep Neural Networks
Nome: GABRIEL ANDRADE NUNES DE MORAES
Tipo: Dissertação de mestrado acadêmico
Data de publicação: 26/05/2022
Orientador:
Nome |
Papel |
|---|---|
| CLAUDINE SANTOS BADUE | Orientador |
Banca:
| Nome |
Papel |
|---|---|
| ALBERTO FERREIRA DE SOUZA | Coorientador |
| CLAUDINE SANTOS BADUE | Orientador |
| FERNANDO SANTOS OSÓRIO | Examinador Externo |
| THIAGO OLIVEIRA DOS SANTOS | Examinador Interno |
Resumo: No presente trabalho, foi proposto para o carro autônomo Intelligent Autonomous Robotic Au-
tomobile (IARA) um planejador de caminho em tempo real, baseado em imagens, chamado de
DeepPath. O DeepPath usa uma rede neural convolucional (convolutional neural network -
CNN) para inferir caminhos a partir de imagens. Durante a operação do carro autônomo, o
DeepPath recebe uma imagem do ambiente imediatamente à frente do veículo e a pose atual
do carro. Em seguida, ele envia a referida imagem para uma CNN treinada, de forma a inferir
um modelo do caminho que deverá ser percorrido pela IARA. Depois disso, o DeepPath gera
o caminho no sistema de coordenadas da IARA usando o modelo de caminho inferido. Poste-
riormente, dada a pose atual da IARA, o DeepPath transforma cada pose do caminho, original-
mente no sistema de coordenadas da IARA, em outra pose no sistema de coordenadas mundial.
Finalmente, ele envia o caminho para o subsistema Seletor de Comportamento, o próximo sub-
sistema no sistema de tomada de decisão da IARA. Avaliamos o desempenho do DeepPath em
cenários do mundo real. Nossos resultados mostraram que o DeepPath é capaz de gerar corre-
tamente caminhos para a IARA que diferem apenas ligeiramente daqueles definidos por huma-
nos.
