Analýza senzitivity algoritmů autonomních automobilů na změnu parametrů kamery

Abstract

Pro zajištění maximální bezpečnosti při autonomním řízení je nezbytné, aby autonomní vozidlo mělo spolehlivý systém vnímání. Toto vnímání zajišťují různé technologie, včetně odhadu hloubky a detekce 3D objektů. Tyto algoritmy však do značné míry závisí na parametrech kamery, které se v praxi mohou lišit. Cílem této práce je proto analyzovat jejich chování při změně těchto parametrů. V první části jsme se zaměřili na vyhodnocení robustnosti modelu Monodepth2 pro úlohu predikce hloubky při simulaci změny ohniskové vzdálenosti v horizontální ose. K experimentům jsme použili datové sady KITTI a Cityscapes. Ve druhé části jsme analyzovali model MonoDETR v úloze monokulární 3D detekce objektů. Zkoumali jsme jeho chování při transformacích obrazu z datové sady KITTI, které simulují změnu ohniskové vzdálenosti v horizontálni ose, vertikální posun kamery a její natočení kolem horizontální osy. Výsledky jsme pak vizualizovali v přehledných tabulkách a grafech.To ensure maximum safety in autonomous driving, it is essential that autonomous vehicles are equipped with a reliable perception system. This perception is provided by various technologies, including depth estimation and 3D object detection. However, the performance of these algorithms depends heavily on camera parameters, which can vary in practice. Therefore, this work aims to analyze their behavior under changes in these parameters. In the first part, we focused on evaluating the robustness of the Monodepth2 model for depth prediction when simulating changes in focal length along the horizontal axis. For the experiments, we used the KITTI and Cityscapes datasets. In the second part, we analyzed the MonoDETR model for the task of monocular 3D object detection. We investigated its behavior under image transformations of the KITTI dataset that simulate changes in horizontal focal length, vertical camera displacement, and rotation around the horizontal axis. We then visualized the results using clear tables and graphs.