Modelling of interactions between autonomous vehicles and pedestrians using advanced deep learning methods

Τριάντης, Δημήτριος; Triantis, Dimitrios

dc.contributor.author	Τριάντης, Δημήτριος	el
dc.contributor.author	Triantis, Dimitrios	en
dc.date.accessioned	2023-02-01T11:47:03Z
dc.date.available	2023-02-01T11:47:03Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/57022
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.24720
dc.rights	Default License
dc.subject	Αυτόνομα οχήματα	el
dc.subject	Πεζοί	el
dc.subject	Βαθιά μάθηση	el
dc.subject	Πρόβλεψη τροχιών	el
dc.subject	Κωδικοποίητης-αποκωδικοποιητής	el
dc.subject	Αστικό περιβάλλον	el
dc.subject	LSTM	en
dc.subject	Αμφίδρομο LSTM	el
dc.subject	RNN	en
dc.subject	CNN	en
dc.subject	Μηχανισμός έμφασης	el
dc.subject	Autonomous vehicles	en
dc.subject	Pedestrians	en
dc.subject	Deep learning	en
dc.subject	Trajectory prediction	en
dc.subject	Encoder-Decoder	en
dc.subject	Urban environment	en
dc.subject	LSTM	en
dc.subject	Bidirectional LSTM	en
dc.subject	CNN	en
dc.subject	RNN	en
dc.subject	Attention mechanism	en
dc.title	Modelling of interactions between autonomous vehicles and pedestrians using advanced deep learning methods	en
dc.title	Προτυποποίηση αλληλεπίδρασης αυτόνομων οχημάτων και πεζών με χρήση προχωρημένων μεθόδων βαθιάς μάθησης	el
heal.type	bachelorThesis
heal.classification	Προτυποποίηση	el
heal.classification	Αυτόνομα οχήματα	el
heal.classification	Modelling	en
heal.classification	Autonomous vehicles	en
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-11-04
heal.abstract	Σκοπός της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη προτύπων βαθιάς μάθησης για την πρόβλεψη των τροχιών αυτόνομων οχημάτων και πεζών κατά την αλληλεπίδραση τους σε αστικά οδικά δίκτυα. Τα δεδομένα που χρησιμοποιήθηκαν συγκεντρώθηκαν σε κεντρικές αστικές περιοχές των Βρυξελλών και του Λέβεν και αφορούν σε αλληλεπιδράσεις δύο πρακτόρων (ενός πεζού και ενός αυτόνομου οχήματος). Τα εν λόγω δεδομένα περιείχαν στην ανεπεξέργαστη μορφή τους τις συντεταγμένες των πρακτόρων ανά 0.1 δευτερόλεπτα. Για την καλύτερη απόδοση των χρησιμοποιούμενων προτύπων, από τις συντεταγμένες εξάχθηκαν τα εξής χαρακτηριστικά: συνιστώσες ταχυτήτων, διανυσματικές ταχύτητες, διαφορά ταχυτήτων μεταξύ πρακτόρων, διαφορά γωνιών κίνησης μεταξύ πρακτόρων, ευκλείδεια απόσταση, κατακόρυφες και οριζόντιες αποστάσεις από τις οπτικές καθενός από τους δύο πράκτορες. Τα πρότυπα βαθιάς μάθησης που εφαρμόστηκαν είναι επτά σε αριθμό και όλα έχουν αρχιτεκτονική Encoder-Decoder και εμπεριέχουν κελιά LSTM. Και τα επτά πρότυπα εκπαιδεύτηκαν για τα ίδια επεισόδια (70% των δεδομένων) με και χωρίς τα χαρακτηριστικά που εξάχθηκαν, με σκοπό να διερευνηθεί ο βαθμός επιρροής αυτών στην ακρίβεια κάθε αρχιτεκτονικής. Χρησιμοποιώντας ως μετρικές αξιολόγησης των προτύπων το Μέσο Απόλυτο Σφάλμα (ΜΑΕ) και το Μέσο Τετραγωνικό Σφάλμα (MSΕ) προέκυψε ότι ακριβέστερο εξ όλων των προτύπων είναι το Stacking Ensemble με τα χαρακτηριστικά, το οποίο συνδυάζει τα προηγούμενα έξι. Από τα έξι επιμέρους πρότυπα ακριβέστερο στις προβλέψεις προέκυψε το BiLSTM encoder-decoder με ένα επίπεδο CNN. Τέλος, όσον αφορά την περαιτέρω διερεύνηση του εν λόγω προβλήματος, έγινε μια σειρά από σχετικές προτάσεις.	el
heal.abstract	The aim of this thesis is to develop deep learning models that predict the trajectories of autonomous vehicles and pedestrians during their interactions in urban environments. The data that were used for this analysis were gathered at dense urban areas in the cities of Brussels and Leuven, Belgium and pertain to interactions between two agents (one pedestrian and one autonomous vehicle per interaction). In their raw form, these data are comprised of the coordinates of each of the two agents per 0.1 seconds. In order to improve the performance of the used models, the following features were extracted from the said coordinates: both agents’ speeds and velocities, velocity and angle difference between the two agents, euclidean distance, lateral and longitudal distances from each of the two agents’ perspectives. The deep learning models that were used are seven in number and all have an Encoder-Decoder architecture while at the same time including LSTM cells. All seven models were trained for the same interaction episodes (70% of the data) with and without the extracted features, in order to investigate the level of influence that they have in each of the architectures. Using the Mean Absolute Error (MAE) and Mean Square Error (MSE) as performance metrics it was concluded that the most precise model is the Stacking Ensemble one, which uses the other six models to achieve the optimal prediction accuracy. From these six models, the one with the greatest accuracy is the BiLSTM encoder-decoder one with an additional CNN layer.	en
heal.advisorName	Βλαχογιάννη, Ελένη	el
heal.committeeMemberName	Γιαννής, Γεώργιος	el
heal.committeeMemberName	Γκιοτσαλίτης, Κωνσταντίνος	el
heal.committeeMemberName	Βλαχογίαννη, Ελένη	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Πολιτικών Μηχανικών. Τομέας Μεταφορών και Συγκοινωνιακής Υποδομής	el
heal.academicPublisherID	ntua
heal.numberOfPages	151 σ.	el
heal.fullTextAvailability	false