Removing Movable Objects from Grid Maps of Self-Driving Cars Using Deep Neural Networks
Nome: RÂNIK GUIDOLINI
Data de publicação: 22/10/2024
Banca:
Nome |
Papel |
|---|---|
| ALBERTO FERREIRA DE SOUZA | Presidente |
| ANSELMO FRIZERA NETO | Examinador Interno |
| CLAUDINE SANTOS BADUE | Examinador Interno |
| KARIN SATIE KOMATI | Examinador Externo |
| MARIELLA BERGER ANDRADE | Examinador Externo |
Resumo: A maioria dos carros autônomos adota Mapas de Grade de Ocupação (Occupancy Grid
Maps - OGM) para navegação, em vez de Mapas Semânticos ou Mapas Topológicos, porque
os OGMs são dinâmicos, flexíveis e podem ser computados em tempo real. Nos OGMs, uma
grade divide o ambiente operacional em pequenas células, cada célula contendo a probabilidade
de uma região específica do ambiente estar ocupada por um obstáculo. Objetos móveis podem
deixar rastros nos OGMs à medida que se movem, e as células marcadas como ocupadas devido
à presença desses objetos móveis podem não ser revisadas ou escaneadas suficientemente pelos
sensores para serem atualizadas como desocupadas, comprometendo a localização e navegação.
A presença de rastros de objetos móveis gera informações enganosas para vários aspectos da
operação de carros autônomos (como a localização) e, geralmente, esses rastros são removidos
manualmente dos OGMs, uma tarefa demorada e suscetível a erros. Neste trabalho, propomos
uma técnica para remover rastros de objetos móveis dos mapas de grade de ocupação baseada
em redes neurais profundas, denominada Enhanced Occupancy Grid Map Generation (E-
OGM-G). No E-OGM-G, capturamos imagens de câmeras sincronizadas e alinhadas com os
raios do LiDAR, detectamos objetos móveis nessas imagens usando uma rede neural profunda
e calculamos quais raios do LiDAR atingiram objetos classificados como móveis. Ao agrupar
raios de laser que estão próximos em uma projeção 2D, conseguimos identificar agrupamentos
que pertencem a objetos móveis e evitamos usá-los no processo de geração dos OGMs - isso
permite a geração de OGMs livres de rastros de objetos móveis.
Nós avaliamos nossa técnica automática de limpeza de OGMs em dois conjuntos de dados
ao longo de mais de 7,7 km de duas estradas na cidade de Vitória-ES, Brasil, em condições de
tráfego normal. A E-OGM-G alcançou precisões de até 100%. Além disso, testamos nosso carro
autônomo, IARA, nessa estrada, e ele foi capaz de operar autonomamente utilizando os OGMs
limpos obtidos com nossa técnica. Esses resultados mostram que a E-OGM-G é eficaz na re-
moção de rastros de objetos móveis de OGMs.
