FenixEdu™

Dissertação

{en_GB=A Perception Pipeline for an Autonomous Formula Student Vehicle} {} EVALUATED

Detalhes: {pt=Numa tentativa de aumentar a segurança rodoviária e reduzir os acidentes causados por erro humano, a indústria automóvel tem vindo a investir no desenvolvimento de veículos autónomos. Estes necessitam de realizar todas as tarefas que um ser humano realizaria ao conduzir um veículo comum, o que engloba ser capaz de observar e compreender o ambiente à volta do veículo, em tempo real e utilizando uma combinação de sensores de alta tecnologia, de forma a planear uma trajectória em conformidade. Seguindo a tendência da indústria automóvel, a Formula Student, uma das mais estabelecidas competições educativas de engenharia da Europa, introduziu a categoria de Driverless, que desafia os estudantes a construir um carro de corrida autónomo de alto desempenho. Nestas competições, as pistas pelas quais o carro autónomo deve navegar são desconhecidas e delimitadas por cones de diferentes cores. Nesta tese é apresentada uma pipeline de percepção para um carro de Formula Student que explora as melhores características de cada sensor de forma a identificar os cones e, utilizando redes neuronais convolucionais personalizadas, classificar a sua cor. Para testar o desempenho da pipeline, realizou-se um estudo de ablação sobre os métodos utilizados para identificar os cones e avaliaram-se, indivualmente, ambos os classificadores e o módulo de rastreamento. Os resultados obtidos mostram que a pipeline de percepção proposta é capaz de detectar e classificar os cones com exatidão e em tempo real, mesmo correndo a pipeline apenas em CPU, algo que se mostrou não ser possível utilizando detectores de objectos de deep learning., en=In an effort to increase the overall road safety and reduce car accidents caused by human error, the automotive industry has been investing in the development of autonomous vehicles. These need to accomplish all the tasks a human would while driving a common vehicle, which includes being able to perceive and comprehend the environment around the vehicle, in real-time and using a combination of high-tech distance sensors and cameras. Following the trends of the automotive industry, Formula Student, one of the Europe’s most established educational engineering competition, introduced the Driverless category, which challenges students to build a high-performance autonomous race car. In such competitions, the tracks through which the autonomous car should navigate are unknown and delimited by different colored cones. This thesis presents a perception pipeline for a Formula Student car that exploits the best features of each available perception sensor in order to identify the cones and, using custom Convolutional Neural Networks, classify their color. To test the pipeline’s performance, an ablation study was conducted on the methods used to identify the cones and, both the classifiers and the tracking module, were evaluated individually. Results showed that the proposed perception pipeline is able to accurately detect and classify the cones in real-time, even when running the pipeline on CPU, something that proved not to be possible using heavy deep learning object detectors.}
Keywords: {pt=Detecção de cones, fusão sensorial, classificação, percepção, redes neuronais convolucionais, condução autónoma., en=Cone detection, sensor fusion, classification, perception, convolutional neural networks, autonomous driving.}

Discussão: outubro 26, 2021, 8:0