Detekce objektů v okolí autonomního auta v pomocí RGBD dat

Abstract

Detekce objektů v okolí vozidla představuje klíčovou funkci pro autonomní automobily. Umožňuje vozidlu sledovat a interpretovat okolní svět a poskytnout tak vstupní data pro systémy jako například adaptivní tempomat nebo nouzové brzdění. Společnost Porsche Engineering se v rámci projektu Jupiter věnuje vývoji autonomního vozu. Projekt využívá speciálně upravené Porsche Cayenne GTS, které je možné řídit v rámci operačního systému ROS. Cílem této práce je rozšířit existující RGB architekturu o hloubková data získaná z LiDARu. Detekční síť je naučena na volně dostupných datasetech tak, aby bylo dosaženo co nejlepšího přenosu na auto z projektu Jupiter. Výhoda použití hloubkové modularity je otestována a kvalita detekčního modelu je ověřena na dostupném benchmarku. Výsledný detekční model je implementován jako ROS node, který v reálném čase detekuje objekty zájmu, např. vozidla a chodce.

Object detection in the vehicle's surroundings is a key functionality for autonomous automobiles. It allows the car to see and interpret the surrounding environment and to provide input data for the systems, such as adaptive cruise control or emergency braking. Porsche Engineering is dedicated to developing an autonomous vehicle within the Jupiter project. The project utilises customised Porche Cayenne GTS, which is based on ROS. This thesis aims to extend an existing RGB architecture by depth data obtained by LiDAR. The detection network is trained on freely available datasets to achieve the best possible domain transfer to the Jupiter car. The advantage of the depth modularity is tested, and the quality of the model is evaluated on an available benchmark. The final detection model is implemented as a ROS node, which detects objects such as cars and pedestrians in real-time.