Εφαρμογή βαθιάς μάθησης για την ανίχνευση άγνωστων κυκλοφοριακών σεναρίων
| datacite.contributor.RelatedPerson | Μακρής, Χρήστος | |
| datacite.contributor.RelatedPerson | Κομνηνός, Ανδρέας | |
| datacite.contributor.Supervisor | Μεγαλoοικονόμου, Βασίλειος | |
| dc.contributor.author | Τζανής, Εμμανουήλ | |
| dc.contributor.other | Tzanis, Emmanouil | |
| dc.date.accessioned | 2026-10-14T20:02:45Z | |
| dc.date.available | 2026-10-14T20:02:45Z | |
| dc.date.issued | 2026-10-14 | |
| dc.degree | graduateThesis | |
| dc.description.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. | |
| dc.description.translatedabstract | Traffic scenario recognition is an important problem in the field of autonomous driving and intelligent transportation systems. Modern vehicles must be able to perceive their environment, recognize dangerous or critical situations, and support decision-making in real time. However, a fundamental limitation of many machine learning systems is that they are usually trained on a finite set of known classes, while real-world driving may involve traffic situations that were not observed during training. For this reason, open-set recognition becomes especially important, since the system must not only classify known scenarios correctly, but also reliably reject unknown situations. This thesis is based on an existing approach from the literature for open-set traffic scenario recognition, which combines deep learning, ensemble methods, and unknownsample rejection techniques. First, the reference system is studied and reproduced. This system uses occupancy grids from the highD dataset, a 3D CNN for feature extraction, Random Forest for classification, and a method based on Extreme Value Theory for the recognition of unknown scenarios. This reproduction provides a stable comparison baseline on top of which controlled extensions can be evaluated. Next, alternative approaches are examined with the goal of improving the original method and making better use of the available representations. More specifically, the replacement of Random Forest with XGBoost is studied, along with different confidence metrics and rejection strategies, as well as the introduction of Transformer-based representations for exploiting the temporal structure of traffic scenarios. In all stages, a common experimental protocol is maintained, so that comparisons between methods are as fair and controlled as possible. The thesis consists of 7 chapters. Chapter 1 presents the motivation, problem statement, and goals of the work. Chapter 2 introduces the necessary theoretical background, while Chapter 3 presents related work. Chapter 4 describes the highD dataset, the traffic scenario generation process, the data splits, and the original method of the authors. Chapter 5 analyzes the proposed extensions and the experimental design. Chapter 6 presents and discusses the experimental results. Finally, Chapter 7 summarizes the conclusions and proposes directions for future work. | |
| dc.identifier.uri | https://hdl.handle.net/10889/33141 | |
| dc.language.iso | el | |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Greece | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | |
| dc.subject | Αναγνώριση κυκλοφοριακών σεναρίων | |
| dc.subject | Αυτόνομη οδήγηση | |
| dc.subject | Αναγνώριση ανοικτού κόσμου | |
| dc.subject | Πλέγματα πληρότητας | |
| dc.subject | Τρισδιάστατα συνελικτικά νευρωνικά δίκτυα | |
| dc.subject | Τυχαία δάση | |
| dc.subject | Θεωρία ακραίων τιμών | |
| dc.subject | Μετασχηματιστές | |
| dc.subject | Ακραία ενίσχυση κλίσης | |
| dc.subject.alternative | Traffic scenario recognition | |
| dc.subject.alternative | Autonomous driving | |
| dc.subject.alternative | Open-set recognition | |
| dc.subject.alternative | Dataset highD | |
| dc.subject.alternative | Occupancy grids | |
| dc.subject.alternative | 3D CNN | |
| dc.subject.alternative | Random forest | |
| dc.subject.alternative | XGBoost | |
| dc.subject.alternative | Extreme value theory | |
| dc.subject.alternative | Transformers | |
| dc.title | Εφαρμογή βαθιάς μάθησης για την ανίχνευση άγνωστων κυκλοφοριακών σεναρίων | |
| dc.title.alternative | Application of deep learning for the detection of unknown traffic scenarios |