GENERATING ROAD GRID MAPS AND PATH PLANS FOR SELF-DRIVING CARS USING LASER REMISSION DATA AND DEEP NEURAL NETWORKS
Nome: RAPHAEL VIVACQUA CARNEIRO
Data de publicação: 24/09/2024
Banca:
Nome |
Papel |
|---|---|
| ALBERTO FERREIRA DE SOUZA | Presidente |
| CLAUDINE SANTOS BADUE | Examinador Interno |
| KARIN SATIE KOMATI | Examinador Externo |
| MARIELLA BERGER ANDRADE | Examinador Externo |
| THOMAS WALTER RAUBER | Examinador Interno |
Resumo: Este trabalho propõe o uso de redes neurais profundas (RNP) para resolver o
problema de inferir a localização de vias trafegáveis e as suas propriedades
relevantes, como os direitos de mudança de pista, ainda que as marcações de linha
estejam pouco visíveis ou ausentes. Este problema é relevante para a operação de
carros autônomos que demandam mapas e caminhos precisos. Nossa abordagem
para o problema é o uso de RNP para segmentação semântica de mapas de grade
de remissão de laser, gerando mapas de grade de vias trafegáveis. Ambos os mapas
de grade, os de remissão de laser e os de vias trafegáveis, são matrizes quadradas
nas quais cada célula representa características de uma pequena região 2D quadrada
do mundo real (p. ex., 20cm x 20cm). Uma célula de um mapa de grade de remissão
de laser contém as informações sobre a intensidade média da remissão de laser na
superfície daquele local específico. Uma célula de mapa de grade de vias trafegáveis
contém as informações semânticas sobre o pertencimento daquela área a uma via
trafegável ou a uma marcação de linha na pista ou a uma área não trafegável. Os
códigos semânticos associados às células dos mapas de vias trafegáveis contêm
informações necessárias para a construção de uma rede de caminhos válidos,
necessários para os carros autônomos construírem os seus planos de caminho. A
técnica aqui pesquisada é inovadora para a construção automática de planos de
caminho viáveis para carros autônomos. Em nossos experimentos, usamos o carro
autônomo da UFES, a IARA (Intelligent Autonomous Robotic Automobile). Bases de
dados anotadas manualmente são usadas para treinar e validar RNP de segmentação
semântica para gerar mapas de grade de vias trafegáveis a partir de mapas de grade
de remissão de laser. Os resultados obtidos atingiram uma precisão de segmentação
de 94,7% nos casos de interesse. Os planos de caminho gerados automaticamente a
partir dos mapas de vias trafegáveis inferidos foram testados no mundo real usando a
IARA e demonstraram desempenho equivalente aos dos planos de caminho gerados
manualmente.
