Dissertação
Autonomous vehicle perception using a driving simulator: the capabilities of artificial LiDAR data EVALUATED
Deteção de objetos e segmentação semântica são estudos importantes no âmbito da condução autónoma, uma vez que é necessário detetar e rastrear objetos na estrada e compreender o meio que rodeia o veículo. Rotular nuvens de pontos tridimensionais é uma tarefa dispendiosa e demorada, sendo que dados artificiais são vistos como um possível recurso para combater estes problemas. Neste trabalho, é proposto um estudo das capacidades e potencial de dados artificiais para deteção de objetos e segmentação semântica, através do uso de métodos de aprendizagem profunda. Para desafios de perceção tridimensional de veículos, treinar redes neuronais com nuvens de pontos grandes, dispersas e desordenadas tem sido uma tarefa difícil, em parte devido à falta de dados rotulados disponíveis. O simulador CARLA foi usado para gerar os dados de LiDAR, e foi dada uma enfase adicional ao estudo de formas de atenuar as diferenças entre dados artificiais e do mundo real. Mais especificamente, foram modelados tanto o ruído presente nas nuvens de pontos reais, como também as reflexões perdidas (a que chamamos point dropout) que ocorrem durante a geração de dados no mundo real. Também explorámos os potenciais benefícios do uso de modelos pré-treinados em dados artificiais e aplicação de técnicas de finetuning com todos ou uma fração dos dados reais disponíveis. Descobrimos benefícios claros ao utilizar dados artificiais para pré-treinar as redes neuronais, o que nos permitiu reduzir a quantidade de dados reais utilizados e melhorar a performance dos nossos modelos.
janeiro 25, 2021, 11:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Alexandre José Malheiro Bernardino
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Associado
