The navigation of an autonomous car using deep convolutional neural network and lidar measurements
Derin dönüşümlü sinir ağı ve lıdar ölçümleriyle otonom bir arabanın navigasyonu
- Tez No: 744174
- Danışmanlar: PROF. DR. HÜSEYİN METİN ERTUNÇ
- Tez Türü: Yüksek Lisans
- Konular: Mekatronik Mühendisliği, Mechatronics Engineering
- Anahtar Kelimeler: Evrişimli Sinir Ağı, Derin öğrenme, Otonom Araç, Engel Parkuru, Robot İşletim Sistemi (ROS), Convolutional Neural Network, Deep Learning, Autonomous Vehicle, Obstacle Course, ROS
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Mekatronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 71
Özet
Bu tez çalışmasında, elektrikli bir aracın bir engel parkurunu hatasız tamamlamasına yönelik temel kontrolü için kapsamlı bir algoritma geliştirilmiştir. Engel parkurunun boyutları ve ölçüleri Teknofest yarış kurallarına göre belirlenmiş ve Gazebo ortamında ölçekli bir simülasyonu yapılmıştır. Tezde, söz konusu elektrikli aracın hem trafik kurallarına doğru bir şekilde uyarken parkuru başarıyla tamamlaması hem de güvenliği ön planda tutması için gereken optimizasyon çalışmaları yapılmıştır. Bu çalışma için geleneksel otonom sürüşü; perceptron (algı), planlama ve kontrol için ayrı bileşenler olarak kullanılabilecek şekilde seçilmiştir. Otonom araçların yakın bir gelecekte çok fazla yaygın hale geleceği motivasyonuyla çalışma gerçekleştirilmiştir. Evrişimli sinir ağı (CNN), birçok araştırmacının projesinde akan bir görüntü ekranında gerçek zamanlı hızlarda şerit ve araç tespiti gerçekleştirmek için kullanılmış ve umut verici sonuçlar verdiği gösterilmiştir. Diğer taraftan Uçtan-Uca otonom sürüş yaklaşımı genellikle güvenilirdir ve otonom tabanlı proje uygulamalarında sıklıkla tercih edilir. Çünkü söz konusu model, hem pekiştirmeli öğrenmede (reinforcement learning) hem de denetimli öğrenmede (supervised learning) uygulandığı gibi bir giriş görüntüsüne dayalı olarak her araç durumu (direksiyon açıları, gaz kelebeği seviyesi, fren ve hız) için sayısal bir değer öngörür. Ancak, her araç rotası için genelleştirilmiş bir ödül işlevi bulmanın yanı sıra aracın/temsilcinin eğitimsiz bir ortamda veya trafik işareti kombinasyonundaki davranışsal belirsizliği ile ilgili pratik zorluklar, bu yöntemleri bu çalışma için uygun olmayan bir seçim haline getirmektedir. Bu yüzden ilk olarak, düşük hesaplama yükü üzerinde karşılaştırmalı algılama hızı nedeniyle Faster-RCNN modeli seçilmiştir. Hareket tahminlerinin iyi olmasını sağlamak için bir karar ağacı formatında LiDAR ölçümleriyle sürekli bağlantılıyken 12 farklı yol işaretini algılamak üzere eğitilmiştir. Fren, gaz kelebeği veya aracın parkurda güvenli bir şekilde gezinmesi için ne kadar yönlendirileceğine yönelik değerler önceden belirlenir, sonra uygulanır. Önerilen algoritma, beş mantık aşamasına ayrılarak ifade edilebilir: sol mantığı takip, düz mantığı takip, sağ mantığı takip, dur mantığı ve park mantığı. İstenen araç davranışının elde edildiği çeşitli komutları içeren her bir fonksiyon yerine getirilir. Bu komutlar daha sonra yerleşik Arduino mikro denetleyicisi tarafından fren aktüatörleri, direksiyon step motoru ve diğer araç bileşenlerinin kontrolünde yürütülür. Tez çalışması esnasında yaklaşık 4636 görüntü toplanmış ve etiketlenmiştir; bunların %90'ı modelin Tensorflow çerçevesindeki eğitimi için ayrılmıştır. Saniyede 6 kare hızında gerçek zamanlı tek çekim kamera görüntülerinde %95,8 genel doğrulukla 429243 adımda önerilen modelin kayıp değeri, 0,0097'dir. Olasılık belirsizliklerini azaltmak için modelin algılama eşiği de %85 olarak ayarlanmıştır. Gazebo kullanan kapsamlı simülasyonlar algoritmayı doğrularken, sensörler ve kontrolör arasında çok iyi bir bağlantı sağladığı için Robot İşletim Sistemi (ROS) de dahil edilmiştir. Tez kapsamında gerçekleştirilen çalışma başarılı olmasına rağmen, başarı oranı 0 ile 1 arasında ölçeklendirildiğinde 0,8 olarak değerlendirilmiştir. Başarısızlığının büyük bir kısmı araçların doğru park edememesinden kaynaklanmaktadır. Bunun sonucunda, algoritmada daha fazla iyileştirmeye yönelik derinlik sensörlü kameraların kullanılması gibi çeşitli önerilerde bulunulmuştur. Böylece daha kesin kararlar için araçtan gerçek nesne mesafesi elde edebilmek mümkün olmaktadır. LiDAR ölçümleri, otonom aracın bariyerlere çarpmadan sürüşü için gereklidir. Bununla birlikte, otonom araca şerit algılama teknolojisinin dâhil edilmesi, aracın şerit engel parkurlarında da otonom hareket etmesini sağlayacaktır. Bunlar, gerçek zamanlı algılama doğruluğunu artırmak için eğitim sürecinde daha fazla görüntünün kullanılmasını gerekli kılmaktadır. Son olarak, geliştirilen algoritma otonom araç üzerinde rota takibi için denendiğinde simülasyondaki ile benzer sonuçlar alınmıştır. Test edilen arabanın davranışının, modellenen kopyasına tamamen benzediği görülmüştür. Ham kodlar ve eğitilmiş model, daha fazla erişim veya kullanım için GitHub deposunda kullanıma sunulmuştur. Bu çalışmada, yaklaşımı basit olmakla birlikte, algılama, planlama ve kontrolü içeren otonom sürüş temelleri uygulanmıştır.
Özet (Çeviri)
A comprehensive algorithm was developed for the basic control of an electric vehicle towards completing an obstacle course. For this study, the traditional autonomous driving is selected as separate components can be used for perception, planning and control. Faster-RCNN model which was selected because of its comparative detection speed over a low computational burden, was trained to detect 12 different road signs while in constant conjunction with the LiDAR data in a decision tree format towards ensuring that motion predictions are well established before a conversion into action in the form of brake, throttle or how much to steer the car. These commands were executed by the onboard Arduino in controlling the brake actuators, steering stepper motor and other vehicle components. About 4636 images were collected and labelled of which 90% was dedicated for the model's training within the Tensorflow framework. The loss value of the proposed model is 0.0097 at 429243 steps with an overall accuracy of 95.8%. The model's detection threshold was also set to 85% in order to decrease probability ambiguities. Robot Operating System (ROS) functionality is also incorporated as it provided a seamless bridge between sensors and controller. Extensive simulations using Gazebo validated the algorithm, with a success rate of 0.8, before being deployed in real life where the course was completed with similar result. The car's behavior being completely alike to its modelled replica.
Benzer Tezler
- Visual obstacle detection and avoidance for indoor mobile robots
Robot araçlar için kapalı alanda engel tanıma ve engelden sakınma
İBRAHİM K. İYİDİR
Yüksek Lisans
İngilizce
2012
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolIşık ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. F. BORAY TEK
- Navigation of autonomous vehicle in indoor environment
Otonom aracın kapalı alanda dolaşması
HAKAN YILMAZ
Yüksek Lisans
İngilizce
2011
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolIşık ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. EMİNE EKİN
- Tek kamera ve Lidar verisi ile konum kestirimi
Localization using single camera and Lidar
HAZAL LEZKİ
Yüksek Lisans
Türkçe
2020
Elektrik ve Elektronik MühendisliğiTOBB Ekonomi ve Teknoloji ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. İMAM ŞAMİL YETİK
- GNSS destekli prototip otonom araç tasarımı
GNSS aided prototype autonomous vehicle design
MUSTAFA KEMAL YUMRUKTAY
Yüksek Lisans
Türkçe
2015
Elektrik ve Elektronik MühendisliğiMarmara ÜniversitesiElektronik-Bilgisayar Eğitimi Ana Bilim Dalı
DOÇ. DR. HAKAN KAPTAN