FenixEdu™

Dissertação

AI-based Visual Navigation Solution for Autonomous Underwater Vehicles EVALUATED

Detalhes: Este trabalho foca-se em testar o impacto de introduzir uma abordagem com fundamentos de Inteligência Artificial em navegação visual para veículos totalmente autónomos. Para atingir estes objetivos, há vários obstáculos a ultrapassar. Primeiro, é essencial ter um dataset com pares de imagens e mascaras de segmentação, para treinar uma rede neuronal adequada a segmentação. Segundo, escolher uma rede neuronal adequada a tarefa de segmentar imagens, treiná-la e testá-la com diferentes parâmetros para determinar a configuração que nos trará melhores resultados. Por último, avaliar se estes métodos melhoram a performance de algoritmos de navegação visual. Para criar a base de dados, precisamos de imagens e de uma ferramenta que auxilie o processo de criação das máscaras ground truth. Esta ferramenta deve fazer uma boa estimativa de uma máscara de segmentação, que será posteriormente corrigida à mão para obter resultados mais precisos. O modelo de deep learning escolhido para a tarefa de segmentação foi uma Fully Convolutional Network (FCN), que e um robusto modelo de ponta. Com esta escolha foi possível atingir valores de pixel accuracy que rondam os 93% e Intersections over Union a rondar 85%. Esta solução foi testada em algoritmos de SLAM online e offline, ao sobrepor as imagens originais com as mascaras de segmentação. Verificou-se que a segmentação contribui para melhores resultados quando aplicada aos algoritmos de SLAM.
Keywords: Veículos Subaquáticos Autónomos, Deep Learning, Segmentação, SLAM

Discussão: outubro 1, 2021, 12:30