Sémantická segmentace povrchu pro RC model auta

Abstract

Tato práce se zabývá návrhem systému pro sémantickou segmentaci povrchu pro autonomní řízení. K sémantické segmentaci povrchu byla natrénována plně konvoluční neuronová síť U-net architectury. Učení a validace proběhlo na ručně anotovaném datasetu, který vznikl v rámci této práce. Za účelem zlepšení přesnosti a robustnosti klasifikace byla použita modifikovaná fokální ztrátová funkce. Modifikace spočívá ve váhování jednotlivých obrazových bodů podle jejich pozice v obrazu. Výsledný model pak vykazuje vyšší přesnost a robustnost segmentace, než model natrénovaný s křížovou entropií, běžně používanou ztrátovou funkcí. Systém sémantické segmentace byl zapracován do již existující platformy založené na modelu RC auta. K ověření funkcionality byly provedeny experimenty v reálném prostředí. Experimenty spočívaly v autonomní jízdě vozidla po předem daném povrchu. Toho bylo docíleno zpracováním segmentační mapy jednoduchým algoritmem, jehož výstupem je směrová reference. K řízení rychlosti a zatáčení jsou použity P regulátory. Provedené experimenty ukázaly schopnost navrženého řešení zajistit segmentační mapu s dostatečnou přesností pro autonomní jízdu vozidla.This work proposes a system for semantic surface segmentation for autonomous driving control. A fully convolutional neuron network of U-net architecture was trained for semantic surface segmentation. Learning and validation took place on a manually annotated data set, which was collected within this work. A modified focal loss function was used to improve the accuracy and robustness of the classification. The modification includes weighting of individual pixels according to their position in the image. The resulting model then shows higher accuracy and robustness of segmentation than the model trained cross-entropy, a common loss function. The semantic segmentation system was implemented into an existing subscale mobile platform based on the RC model. To verify the functionality of the proposed solution, experiments were performed in a real environment. The experiments consisted of autonomous drive of the platform on a selected surface. This was done by processing the segmentation map by an simple algorithm resulting in heading reference. Having the reference computed, P controller is used to control the velocity and steering of the vehicle. The performed experiments showed the ability of the proposed solution to provide a segmentation map with sufficient accuracy for autonomous driving of the subscale vehicle.