Rozpoznávání značek pro autonomní vozidlo se zpracováním informací na hraně mobilní sítě

Abstract

Tato práce se zaměřuje na detekci a klasifikaci dopravních značek a zkoumá možnosti lokální detekce a klasifikace dopravních značek v autonomním vozidle a na hraně mobilní sítě, která je reprezentovaná multi-access edge computing (MEC) serverem. Práce se nejprve zaměřuje na analýzu stávajících metod detekce a klasifikace dopravních značek s cílem vybrat vhodné techniky pro tuto úlohu. Vzhledem k nedostatku vhodných datasetů pro naučení komplexní neuronové sítě je detekce a klasifikace dopravních značek řešena prostřednictvím dvou nezávislých neuronových sítí, jedné pro detekci dopravních značek a druhé pro klasifikaci dopravních značek. Obě neuronové sítě jsou navrženy a implementovány pro detekci a klasifikaci dopravních značek na modelu autonomního vozidla a v MEC serveru. Je vytvořen dataset pro trénování neuronových sítí pro účely detekce, protože stávající datasety jsou nevhodné a neposkytují dostatečně přesné výsledky pro značky použité v diplomové práci. Experimenty jsou prováděny na reálných datech získaných z modelu autonomního vozidla vybaveného kamerou. Přesnost klasifikace, doba zpracování a spotřeba energie jsou vyhodnoceny jak pro lokální zpracování, tak pro přenesení na server MEC prostřednictvím mobilní sítě. Výsledky experimentů ukazují, že zpracování obrázků pomocí neuronových sítí na MEC serveru významně zkracuje dobu pro určení dopravní značky oproti lokálnímu zpracování dat v autonomním vozidle. Kromě toho zjištění ukazují, že špatná kvalita komunikačního kanálu zvyšuje spotřebu energie vozidla potřebnou k rozpoznání jednoho snímku.

This thesis is focused on road sign detection and investigates the possibility of the road sign detection and classification locally in an autonomous vehicle and in the edge of mobile network, represented by multi-access edge computing (MEC) server. First, the thesis focuses on the analysis of existing methods for road sign detection and classification to select the most suitable techniques for this task. Due to the lack of suitable datasets for a complex neural network, the detection and the classification of the road signs are handled via two independent neural networks, one for the road sign detection and the other for the road sign classification. Both neural networks are designed and implemented for road sign detection and classification on a model of the autonomous vehicle and in the MEC server. Dataset for neural network training for detection purposes is created, as the existing datasets are unsuitable and do not provide sufficiently accurate results for own created road signs. The experiments are performed on real data collected from a model of the autonomous vehicle equipped with a camera. Classification accuracy, processing time, and energy consumption are evaluated for both local processing and offloading to MEC server via mobile network. The results of experiments demonstrate that neural network-based processing of images from the vehicle on the MEC server significantly reduces the time required to identify the road sign compared to local data processing on the autonomous vehicle. Additionally, the findings reveal that low communication channel quality increases the vehicle's energy consumption for recognition of one road sign.