Εντοπισμός και ιχνηλάτηση πολλαπλών αντικειμένων από αυτόνομα οχήματα
Loading...
Date
2025-02-26
Authors
Τσάλαφος, Βασίλης
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Η παρούσα διπλωματική εργασία επικεντρώνεται στην αξιολόγηση και τη βελτίωση της διαδικασίας παρακολούθησης πολλαπλών αντικειμένων (MOT) ενσωματώνοντας και συγκρίνοντας σύγχρονες μεθόδους συσχέτισης δεδομένων. Με την ταχεία πρόοδο των τεχνολογιών αυτόνομων οχημάτων, η ανάγκη για ακριβή και αποτελεσματική παρακολούθηση αντικειμένων γίνεται όλο και πιο απαραίτητη. Τα αυτόνομα οχήματα βασίζονται στην παρακολούθηση αντικειμένων για την ασφαλή πλοήγηση σε πολύπλοκα περιβάλλοντα, τον εντοπισμό εμποδίων και τη λήψη τεκμηριωμένων αποφάσεων σε πραγματικό χρόνο. Αυτή η μελέτη στοχεύει να βελτιώσει τη διαδικασία παρακολούθησης χρησιμοποιώντας σύγχρονες τεχνικές συσχέτισης δεδομένων, συμπεριλαμβανομένων των αλγορίθμων Greedy, Hungarian και Joint Probabilistic Data Association (JPDA), για την αξιολόγηση της αποτελεσματικότητάς τους στον χειρισμό προκλήσεων παρακολούθησης πολλαπλών αντικειμένων. Η έρευνα βασίζεται σε μια εκτενή αξιολόγηση χρησιμοποιώντας το σύνολο δεδομένων παρακολούθησης KITTI, ένα σύνολο δεδομένων ανα φοράς που χρησιμοποιείται ευρέως στην έρευνα για αυτόνομη οδήγηση.
Αυτό το σύνολο δεδομένων περιλαμβάνει ανιχνεύσεις αντικειμένων από εξέχοντες ανιχνευτές όπως οι AB3DMOT και PointGNN, οι οποίοι παρέχουν δυνατότητες αναγνώρισης και παρακολούθησης αντικειμένων υψηλής ακρίβειας. Οι προτεινόμενες μεθοδολογίες είναι ενσωματωμένες στο σύστημα EagerMOT, ένα πλαίσιο παρακολούθησης πολλαπλών αντικειμένων που έχει σχεδιαστεί για την επεξεργασία σύνθετων σεναρίων παρακολούθησης. Η μελέτη διερευνά πώς διαφορετικές τεχνικές συσχέτισης δεδομένων επηρεάζουν τη συνολική απόδοση παρακολούθησης όσον αφορά την ακρίβεια, την αξιοπιστία και την υπολογιστική απόδοση.
Τα πειραματικά αποτελέσματα υπογραμμίζουν την ανώτερη απόδοση της μεθόδου JPDA σε σύγκριση με τις προσεγγίσεις Greedy και Hungarian. Η JPDA επιδεικνύει βελτιωμένη ακρίβεια και στιβαρότητα παρακολούθησης, ιδιαίτερα σε σενάρια με υψηλή πυκνότητα αντικειμένων και εμφράξεις. Η μέθοδος επιτυγχάνει υψηλότερες μετρήσεις συνολικής απόδοσης, όπως HOTA, AssA, AssRe και AssPr, υποδεικνύοντας την αξιοπιστία της σε εφαρμογές αυτόνομης οδήγησης σε πραγματικό κόσμο. Παρά την υψηλότερη υπολογιστική πολυπλοκότητά του, η JPDA παρέχει μια ισορροπημένη αντιστάθμιση μεταξύ ακρίβειας και αποτελεσματικότητας, καθιστώντας τη ισχυρό υποψήφιο για χρήση σε πραγματικό χρόνο από συστήματα αυτόνομων οχημάτων.
Επιπλέον, τα ευρήματα αυτής της έρευνας συμβάλλουν στη βαθύτερη κατανόηση των δυνατών και των περιορισμών κάθε τεχνικής συσχέτισης δεδομένων. Η μέθοδος Greedy, αν και υπολογιστικά αποτελεσματική, παρουσιάζει χαμηλότερη ακρίβεια παρακολούθησης λόγω της ευρετικής φύσης της και της προσέγγισης τοπικής βελτιστοποίησης. Η Ηungarian μέθοδος, η οποία βασίζεται στην καθολική βελτιστοποίηση, βελτιώνει την ακρίβεια παρακολούθησης, αλλά εξακολουθεί να υστερεί για περιβάλλοντα υψηλής πυκνότητας και αποφράξεις. Η JPDA, από την άλλη πλευρά, χειρίζεται αποτελεσματικά την αβεβαιότητα και παρέχει μια πιθανολογική προσέγγιση για τη συσχέτιση δεδομένων, επιτρέποντας πιο σταθερά και αξιόπιστα αποτελέσματα παρακολούθησης.
Πέρα από την αξιολόγηση αυτών των μεθόδων, αυτή η διπλωματική εργασία προτείνει βελτιστοποιημένες τεχνικές συσχέτισης δεδομένων που μπορούν να ενσωματωθούν σε συστήματα παρακολούθησης σε πραγματικό χρόνο. Αυτές οι βελτιώσεις περιλαμβάνουν τροποποιήσεις στο μοντέλο EagerMOT για τη βελτίωση της υπολογιστικής απόδοσης διατηρώντας παράλληλα την ακρίβεια παρακολούθησης. Τέτοιες βελτιστοποιήσεις είναι κρίσιμες για πρακτικές εφαρμογές, καθώς τα πραγματικά αυτόνομα οχήματα απαιτούν συστήματα παρακολούθησης που λειτουργούν αποτελεσματικά υπό αυστηρούς περιορισμούς καθυστέρησης.
Με τη βελτίωση αυτών των τεχνικών, αυτή η έρευνα ανοίγει το δρόμο για πιο προηγμένες και επεκτάσιμες λύσεις παρακολούθησης πολλαπλών αντικειμένων που μπορούν να αναπτυχθούν σε ένα ευρύ φάσμα ευφυών συστημάτων μεταφοράς.
Συμπερασματικά, αυτή η εργασία παρέχει πολύτιμες γνώσεις σχετικά με την εφαρμογή σύγχρονων μεθόδων συσχέτισης δεδομένων για παρακολούθηση πολλαπλών αντικειμένων σε αυτόνομα οχήματα. Η ολοκληρωμένη αξιολόγηση των μεθοδολογιών παρακολούθησης προσφέρει σαφή κατανόηση των πλεονεκτημάτων και των μειονεκτημάτων τους, ενώ οι προτεινόμενες βελτιστοποιήσεις διασφαλίζουν τη σκοπιμότητα της ανάπτυξης σε πραγματικό χρόνο. Οι μελλοντικές εργασίες θα επικεντρωθούν στην ενσωμάτωση τεχνικών συσχέτισης δεδομένων που βασίζονται σε βαθιά μάθηση και στην περαιτέρω βελτίωση της απόδοσης παρακολούθησης μέσω προσαρμοστικών μοντέλων που προσαρμόζονται δυναμικά στις περιβαλλοντικές συνθήκες. Τα ευρήματα αυτής της διπλωματικής εργασίας χρησιμεύουν ως βάση για μελλοντικές εξελίξεις στην αυτόνομη πλοήγηση, διασφαλίζοντας ασφαλέστερα και αποτελεσματικότερα συστήματα παρακολούθησης αντικειμένων σε εφαρμογές πραγματικού κόσμου.
Description
Keywords
Ανίχνευση πολλαπλών αντικειμένων, Ιχνηλάτηση πολλαπλών αντικειμένων, Αυτόνομα οχήματα, Αυτόνομη πλοήγηση, Συσχέτιση δεδομένων