Percepção para Veículos Autônomos em Ambiente Fora de Estrada usando Aprendizado Profundo
Percepção, Aprendizado Profundo, Deep learning, Redes Neurais Artificiais,
Carros Autônomos, Veículos Autônomos, Redes Neurais Convolucionais, IA, CNN, Segmenta-
ção em Tempo Real, Segmentação Off-Road.
Sistemas robustos são necessários para condução autônoma em terrenos não uniformes comu-
mente encontrados em países em desenvolvimento e minas a céu aberto. Para ajudar a diminuir
a lacuna nesse tipo de aplicação, este trabalho propõe um sistema de percepção para veículos
autônomos e assistência avançada ao motorista especializado em estradas não pavimentadas e
ambientes off-road capazes de navegar em terrenos acidentados sem trilha pré-definida. Como
parte deste sistema, o framework Configurable Modular Segmentation Network (CMSNet) é
proposto para facilitar a criação de diferentes arranjos de arquiteturas. Algumas configurações
do CMSNet foram portadas e treinadas para segmentar obstáculos e terrenos transitáveis em uma
nova coleção de imagens de estradas não pavimentadas e cenários off-road contendo condições
adversas como noite, chuva e poeira. Também foi realizada: uma investigação sobre a viabilidade
de aplicação de deep learning para detectar regiões por onde o veículo pode passar quando não há
limite de pista claro; um estudo de como o algoritmos de segmentação propostos se comportam
em diferentes níveis de comprometimento da visibilidade; e uma avaliação de testes de campo
realizados com arquiteturas de segmentação semântica apriorada para inferência em tempo real.
O novo dataset (chamado Kamino) tem quase 12.000 novas imagens coletadas de um veículo
operado com vários sensores, incluindo oito câmeras capturando sequências sincronizadas de
diferentes pontos de vista. O conjunto de dados tem um número alto de pixels rotulados em
comparação com datasets semelhantes disponíveis publicamente. Inclui imagens coletadas de
um campo de provas off-road montado exclusivamente para testar o sistema que emula um
cenário de mina a céu aberto sob diferentes condições adversas de visibilidade. Para alcançar
inferência em tempo real no sistema ebarcado e permitir testes de campo, muitas camadas das
redes geradas pela CMSNet foram removidas metodicamente e fundidas usando TensorRT, C++
e CUDA. Experimentos empíricos em dois conjuntos de dados validaram a eficácia do sistema
proposto.