Εφαρμογή βαθιάς μάθησης για την ανίχνευση άγνωστων κυκλοφοριακών σεναρίων
Loading...
Date
2026-10-14
Authors
Τζανής, Εμμανουήλ
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Η αναγνώριση κυκλοφοριακών σεναρίων αποτελεί ένα ιδιαίτερα σημαντικό πρόβλημα στο πεδίο της αυτόνομης οδήγησης και των ευφυών συστημάτων μεταφορών. Τα σύγχρονα οχήματα καλούνται να αντιλαμβάνονται το περιβάλλον τους, να αναγνωρίζουν επικίνδυνες ή κρίσιμες καταστάσεις και να λαμβάνουν αποφάσεις σε πραγματικό χρόνο. Ωστόσο, ένα βασικό πρόβλημα των συστημάτων μηχανικής μάθησης είναι ότι συνήθως εκπαιδεύονται σε ένα πεπερασμένο σύνολο γνωστών κατηγοριών, ενώ στην πράξη μπορεί να εμφανιστούν κυκλοφοριακές καταστάσεις που δεν έχουν παρατηρηθεί κατά την εκπαίδευση. Για τον λόγο αυτό, η αναγνώριση ανοικτού κόσμου αποκτά ιδιαίτερη σημασία, καθώς το σύστημα δεν πρέπει μόνο να ταξινομεί σωστά τα γνωστά σενάρια, αλλά και να απορρίπτει αξιόπιστα άγνωστες καταστάσεις.
Η παρούσα διπλωματική εργασία βασίζεται σε υπάρχουσα προσέγγιση της βιβλιογραφίας για αναγνώριση κυκλοφοριακών σεναρίων ανοικτού κόσμου, η οποία συνδυάζει βαθιά μάθηση, ensemble μεθόδους και τεχνικές απόρριψης άγνωστων δειγμάτων. Αρχικά μελετάται και αναπαράγεται το σύστημα αναφοράς, το οποίο χρησιμοποιεί occupancy grids από το σύνολο δεδομένων highD, 3D CNN για εξαγωγή χαρακτηριστικών, Random Forest για ταξινόμηση και μέθοδο βασισμένη στην Extreme Value Theory για την αναγνώριση άγνωστων σεναρίων.
Η αναπαραγωγή αυτή επιτρέπει τη δημιουργία μιας σταθερής βάσης σύγκρισης πάνω στην οποία μπορούν να αξιολογηθούν ελεγχόμενες επεκτάσεις.
Στη συνέχεια, εξετάζονται εναλλακτικές προσεγγίσεις με στόχο τη βελτίωση της αρχικής μεθόδου και την καλύτερη αξιοποίηση των διαθέσιμων αναπαραστάσεων. Συγκεκριμένα, μελετάται η αντικατάσταση του Random Forest από XGBoost, η χρήση διαφορετικών confidence scores και στρατηγικών απόρριψης, καθώς και η εισαγωγή Transformer-based αναπαραστάσεων για την αξιοποίηση της χρονικής δομής των κυκλοφοριακών σεναρίων. Σε όλα τα στάδια διατηρείται κοινό πειραματικό πρωτόκολλο, ώστε οι συγκρίσεις μεταξύ των μεθόδων να είναι όσο το δυνατόν πιο δίκαιες και ελεγχόμενες.
Η εργασία αποτελείται από 7 Κεφάλαια. Στο Κεφάλαιο 1 παρουσιάζονται το κίνητρο, το πρόβλημα και οι στόχοι της εργασίας. Το Κεφάλαιο 2 εισάγει το απαραίτητο θεωρητικό υπόβαθρο, ενώ το Κεφάλαιο 3 παρουσιάζει σχετική βιβλιογραφία. Στο Κεφάλαιο 4 περιγράφονται το σύνολο δεδομένων highD, η δημιουργία των κυκλοφοριακών σεναρίων, οι διαχωρισμοί των δεδομένων και η αρχική μέθοδος των συγγραφέων. Το Κεφάλαιο 5 αναλύει τις προτεινόμενες επεκτάσεις και τον πειραματικό σχεδιασμό. Το Κεφάλαιο 6 παρουσιάζει τα πειραματικά αποτελέσματα και τη συζήτησή τους. Τέλος, το Κεφάλαιο 7 συνοψίζει τα συμπεράσματα και προτείνει κατευθύνσεις για μελλοντική εργασία.
Description
Keywords
Αναγνώριση κυκλοφοριακών σεναρίων, Αυτόνομη οδήγηση, Αναγνώριση ανοικτού κόσμου, Πλέγματα πληρότητας, Τρισδιάστατα συνελικτικά νευρωνικά δίκτυα, Τυχαία δάση, Θεωρία ακραίων τιμών, Μετασχηματιστές, Ακραία ενίσχυση κλίσης