heal.abstract |
Η αυτοκινητοβιομηχανία στοχεύει προς την πλήρη αυτοματοποιημένη οδήγηση, όπου οι σημερινοί οδηγοί θα είναι απλά επιβάτες, με τον υπολογιστή να αναλαμβάνει όλα όσα χρειάζονται για να κινείται το αυτοκίνητο χωρίς την ανάγκη του ατομικού χειρισμού. Η διαδικασία μετάβασης έχει τυποποιηθεί σε μια σειρά από 5 στάδια (ξεκινώντας από το 0) όπου αφαιρούν σταδιακά τις δυνατότητες ανθρώπινου χειρισμού έναντι της αυτοματοποίησης. Για να ληφθεί η οδηγική απόφαση σε ένα αυτοματοποιημένο σύστημα, συντελείται μία σειρά εκτέλεσης ενεργειών τριών συνεργαζόμενων βαθμίδων: της βαθμίδας Αντίληψης Οδηγικού Περιβάλλοντος, της βαθμίδας Σχεδιασμού Πορείας και της βαθμίδας Ελέγχου Κίνησης. Η παρούσα διπλωματική εμβαθύνει στη μελέτη της πρώτης βαθμίδας για ένα αυτοματοποιημένο όχημα επιπέδου 4 και προχωρά στην ανάπτυξη ενός συστήματος οπτικής αναγνώρισης οδηγικού περιβάλλοντος για την αποφυγή σύγκρουσης.
Για να εξεταστεί η απόδοση του συστήματος οδηγικής αντίληψης αξιοποιείται ο προσομοιωτής CARLA και γίνεται η ενσωμάτωση του ROS API μέσω της CARLA ROS γέφυρας. Η ύπαρξη του ROS API σαν διαμεσολαβήτη δημιουργεί ένα διαλειτουργικό τρόπο επικοινωνίας του CARLA προσομοιωτή με εξωτερικά λογισμικά πακέτα που μπορούν να στηριχτούν σε ROS και διευκολύνει τις ενέργειες ελέγχου πάνω στο εξεταζόμενο αυτόνομο όχημα. Στη συνέχεια, καθορίζεται το παραμετροποιημένο περιβάλλον στο οποίο θα εξεταστεί η επίδοση του αυτόνομου συστήματος και ορίζονται οι αισθητήρες που θα χρησιμοποιηθούν για το σύστημα οπτικής αναγνώρισης, με βάση τις πληροφορίες που θέλουμε να υπολογίζει. Πιο συγκεκριμένα, επιλέγονται η RGB κάμερα και η Depth κάμερα, με τη δεύτερη να επιλέγεται για τον υπολογισμό των αποστάσεων των περιβάλλοντων αντικείμενων από το αυτόνομο όχημα.
Για την υλοποίηση του συστήματος οπτικής αντίληψης μελετήθηκε το YOLO (You Only Look Once) μοντέλο, το οποίο αποτελεί ενά αλγόριθμο βαθιάς μάθησης για εντοπισμό αντικειμένων σε συνθήκες πραγματικού χρόνου. Αρχικά, εξετάστηκε o εντοπισμός αντικειμένων με το προεκπαιδευμένο YOLOv5 μοντέλο. Στη συνέχεια, το ίδιο μοντέλο εκπαιδεύτηκε σε ένα CARLA σύνολο δεδομένων και μελετήθηκε η επίδοση του. Ακολούθως, εξετάστηκε το μοντέλο YOLOP (Panoptical), το οποίο έχει τις επιπλέον δυνατότητες κατάτμισης της διαθέσιμης οδηγικής περιοχής και των λωρίδων κυκλοφορίας. Βασιζόμενοι στο YOLOP μοντέλο, σχεδιάστηκε ένα πλήρες σύστημα οπτικής αναγνώρισης του περιβάλλοντος οδήγησης. ́Ετσι, πραγματοποιήθηκαν δύο πειραματικά σενάρια ελέγχου αποφυγής σύγκρουσης στον προσομοιωτή CARLA με σκοπό τη σύγκριση και την εξέταση των μοντέλων στο κομμάτι των τρίων εργασιών κατάτμισης και εντοπισμού που μας ενδιαφέρουν και εξήχθησαν συμπεράσματα για τις μελλοντικές βελτιώσεις τους. |
el |