Temporal object detection for autonomous driving

Detalhes bibliográficos
Autor(a) principal: Ferreira, Luís Pedro Barbosa
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: https://hdl.handle.net/1822/84180
Resumo: Dissertação de mestrado integrado em Informatics Engineering
id RCAP_a94b26ad8358ea052afd293f9ec7e23f
oai_identifier_str oai:repositorium.sdum.uminho.pt:1822/84180
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Temporal object detection for autonomous drivingDeteção temporal de objetos para condução autónomaCondução autónomaDeteção de objetosInteligência artificialAprendizagem profundaPerceção máquinaLiDARNuvens de pontosMulti-frameAutonomous drivingObject detectionArtificial intelligenceDeep LearningMachine perceptionPoint cloudsEngenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e InformáticaDissertação de mestrado integrado em Informatics EngineeringA Inteligência Artificial tem sido cada vez mais utilizada nas nossas tarefas diárias, melhorando a qualidade de vida e a segurança das pessoas. A condução autónoma é um dos campos onde esta inteligência está a ser cada vez mais utilizada. Este processo envolve a transformação de veículos normalmente conduzidos por humanos em veículos autônomos com capacidade de agir sem intervenção humana. A condução autónoma pode usar dados de vários sensores, como câmaras, RADAR e/ou LiDAR, para percecionar automaticamente o ambiente ao redor e tomar decisões inteligentes. Para compreender o ambiente percecionado, um módulo de deteção de objetos deve ser desenvolvido e interconectado para uma implementação confiável de um veículo autónomo. Essa tarefa é a base da condução autónomo, pois permite que o veículo reconheça objetos que possam estar presentes na área envolvente, tais como pedestres ou outros veículos. As deteções geralmente são feitas usando algoritmos de Aprendizagem Profunda que utilizam redes neuronais convolucionais e grandes quantidades de dados de treino e validação. Apesar de vários esforços para acelerar o desenvolvimento de veículos autónomos, essa tarefa tem se mostrado complexa. Quase todas as técnicas desenvolvidas para resolver este problema foram implementadas realizando deteções em cada frame separadamente. Essa estratégia, no entanto, não aborda questões como oclusão, ruído do sinal, ou outros tipos de falta de informação dos objetos. Como resultado, uma tecnologia consistente temporalmente que emprega as informações de um objeto num contexto de múltiplos frames, ou seja, em uma sequência de frames, pode aumentar a qualidade da deteção. No caso desta dissertação, a perceção autônoma será realizada usando a deteção de objetos temporal com base em dados coletados de sensores LiDAR. Esses sensores são capazes de obter dados de alta fidelidade que permitem uma representação 3D de alta qualidade do cenário, conhecidas como nuvens de pontos.Artificial Intelligence has been increasingly used in our daily tasks, improving people’s quality of life and safety. Autonomous driving is one of the fields where this intelligence is increasingly being used. This process entails the transformation of vehicles normally driven by humans into autonomous vehicles with the ability to act without human intervention. Autonomous driving may use data from various sensors, such as cameras, RADAR, and/or LiDAR, to automatically perceive the surrounding environment and make intelligent decisions. To comprehend the perceived environment, an object detection module must be developed and interconnected for a reliable autonomous vehicle implementation. This task is the foundation of autonomous driving since it allows the vehicle to recognise objects who may be present in the area, such as pedestrians or other vehicles. The detections are usually made using Deep Learning algorithms that utilise convolutional neural networks and massive amounts of training data. Despite several efforts to accelerate the development of autonomous vehicles, this task has proven to be complex. Almost all developed techniques to solve this problem have been implemented by performing detections on each frame separately. This strategy, however, does not address issues like occlusion or other sorts of object information deficiency. As a result, a temporal consistent technology that employs an object’s information in a multi-frame context, that is, in a sequence of frames, can increase detection quality. In the instance of this dissertation, autonomous perception will be accomplished using temporal object detection based on data collected from LiDAR sensors. These sensors are capable of obtaining high-fidelity data that allows for a high-quality 3D representation of the scenario, known as point clouds.This work is supported by European Structural and Investment Fund in the FEDER component through the Operational Competitiveness and Internalisation Programme (COMPETE 2020) [Project nº047264; Funding Reference: POCI-01-0247-FEDER-047264].Novais, PauloGonçalves, FilipeUniversidade do MinhoFerreira, Luís Pedro Barbosa2022-12-132022-12-13T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/1822/84180eng203259289info:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-07-21T12:53:36Zoai:repositorium.sdum.uminho.pt:1822/84180Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T19:53:00.264781Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Temporal object detection for autonomous driving
Deteção temporal de objetos para condução autónoma
title Temporal object detection for autonomous driving
spellingShingle Temporal object detection for autonomous driving
Ferreira, Luís Pedro Barbosa
Condução autónoma
Deteção de objetos
Inteligência artificial
Aprendizagem profunda
Perceção máquina
LiDAR
Nuvens de pontos
Multi-frame
Autonomous driving
Object detection
Artificial intelligence
Deep Learning
Machine perception
Point clouds
Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
title_short Temporal object detection for autonomous driving
title_full Temporal object detection for autonomous driving
title_fullStr Temporal object detection for autonomous driving
title_full_unstemmed Temporal object detection for autonomous driving
title_sort Temporal object detection for autonomous driving
author Ferreira, Luís Pedro Barbosa
author_facet Ferreira, Luís Pedro Barbosa
author_role author
dc.contributor.none.fl_str_mv Novais, Paulo
Gonçalves, Filipe
Universidade do Minho
dc.contributor.author.fl_str_mv Ferreira, Luís Pedro Barbosa
dc.subject.por.fl_str_mv Condução autónoma
Deteção de objetos
Inteligência artificial
Aprendizagem profunda
Perceção máquina
LiDAR
Nuvens de pontos
Multi-frame
Autonomous driving
Object detection
Artificial intelligence
Deep Learning
Machine perception
Point clouds
Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
topic Condução autónoma
Deteção de objetos
Inteligência artificial
Aprendizagem profunda
Perceção máquina
LiDAR
Nuvens de pontos
Multi-frame
Autonomous driving
Object detection
Artificial intelligence
Deep Learning
Machine perception
Point clouds
Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
description Dissertação de mestrado integrado em Informatics Engineering
publishDate 2022
dc.date.none.fl_str_mv 2022-12-13
2022-12-13T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1822/84180
url https://hdl.handle.net/1822/84180
dc.language.iso.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv 203259289
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799133124842487808

Registros relacionados