Geri Dön

Stochastic future prediction in real world driving scenarios

Başlık çevirisi mevcut değil.

  1. Tez No: 779206
  2. Yazar: ADİL KAAN AKAN
  3. Danışmanlar: DR. ÖĞR. ÜYESİ FATMA GÜNEY
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Koç Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 123

Özet

Belirsizlik gelecek tahmininde çok kritik bir rol oynamaktadır. Gelecek belirsizdir ve bu birçok gelecek ihtimali olduğunu gösterir. Bir gelecek tahmini yöntemi güvenilir olabilmek için bütün ihtimalleri kapsamalıdır. Otonom sürüşte emniyet açısından kritik kararlar verebilmek için tüm modları kapsamak aşırı derecede önemlidir. Bilgisayarlı görü yöntemleri son yıllarda çok hızlı şekilde ilerse de gelecek tahmini hala zor olmaya devam etmektedir. Bu zorluklardan birkaç tanesi geleceğin belirsizliği, tüm sahnenin anlaşılmasının gerekliliği ve piksellerin gürültülü olmasıdır. Bu tezde, bu problemlere hareket bilgisini modelleyerek ve zamansal dinamikleri öğrenerek çözümler sunuyoruz. İlk olarak, sahnedeki gelecek bilgisinin açık bir şekilde işlenmesini sunarak video alanında gelecek tahmini yöntemi yapan bir yöntem sunuyoruz. Bu yöntem görünüşü ve hareketi ayrı ayrı modelleyerek sahnenin durağan ve hareketli kısımlarını ayırmaktadır. Bu sayede piksellerin gürültülü uzayından kaçarak hareket bilgisiyle tahmin yapmak mümkün olmuştur. Bu yöntemin kazançlarını detaylı bir şekilde göstermekteyiz. İkinci olarak, sahneyi 3 boyutlu yapı ve artakalan hareket olacak şekilde ikiye ayırmayı sunuyoruz. Bu ayrışım ile sahnedeki durağan ve hareketli kısımları ayrı ayrı modelleyebiliyoruz. Durağan kısımlar 3 boyutlu yapıyla ve hareketli kısımlar ise artakalan hareket bilgisiyle tahmin edilmektedir. Artakalan hareket için önce 3 boyutlu yapıdaki hareketi tahmin edip bu hareket üstüne koşullanarak tahmin yapılmaktadır. Bu ayrışımın ve koşullanmanın etkilerini detaylı bir şekilde göstermekteyiz. Son olarak, kompakt gösterimden etkilenerek, gelecek tahmini problemini kuşbakışı uzaya taşımayı sunuyoruz. Yeni bir formulasyon kullanarak gelecek tahmininden ziyade gelecek durum tahmini yapmanın problemi daha da kolaylaştıracağını sunmaktayız. Bu amaçla, gelecek bilgisinin kullanıldığı bir dağılım kullanarak daha dağınık ve kurallara uygun yörünge tahminleri yapılmaktadır. Yaptığımız detaylı deneyler ile bu yöntemin daha gerçekçi tahminler yaptığı gösterilmiştir.

Özet (Çeviri)

Uncertainty plays a key role in future prediction. The future is uncertain. That means there might be many possible futures. A future prediction method should cover the whole possibilities to be robust. In autonomous driving, covering multiple modes in the prediction part is crucially important to make safety-critical decisions. Although computer vision systems have advanced tremendously in recent years, future prediction remains difficult today. Several examples are uncertainty of the future, the requirement of full scene understanding, and the noisy outputs space. In this thesis, we propose solutions to these challenges by modeling the motion explicitly in a stochastic way and learning the temporal dynamics in a latent space. Firstly, we propose to use the motion information in the scene in stochastic video prediction. By separately modeling the appearance of the scene and the motion in the scene, the static and the dynamic parts are partitioned. The dynamic part is predicted by the explicit motion. Since the motion is predicted, the noisy pixel space is not used. We demonstrate the benefits of using the motion information scene explicitly. Secondly, we propose to separate the scene into the 3D structure and the motion, which correspond to static and dynamic parts, in video prediction in driving scenarios. The static part is handled by the 3D structure and the motion of the ego-vehicle, whereas the dynamic part is handled by the remaining motion in the scene. The remaining motion is captured by explicitly conditioning the dynamic part on top of the static one. We demonstrate the improvements of the conditioning and structure-aware separation. Finally, motivated by the compact representation, we propose a method for stochastic future prediction in Bird's-Eye View representation. Using a new formulation, we approach the problem as a state prediction rather than a trajectory prediction. For that purpose, we choose to use more powerful label-aware latent variables to generate more diverse and admissible future trajectories. Extensive evaluations show that both the diversity and the accuracy of the future trajectories significantly improved, especially in challenging cases of spatially far regions and temporally long spans.

Benzer Tezler

  1. Uyarlamalı araç takip sistemlerinde model öngörülü kontrol yöntemleri: Karşılaştırmalı bir çalışma

    Model predictive control approaches for adaptive cruise control systems: A comparative study

    UMUT KARAPINAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    PROF. DR. AFİFE LEYLA GÖREN

  2. Akıllı şebekelerde makine öğrenmesi teknikleriyle kısa dönem rüzgâr hızı tahmini: Kocaeli-Türkiye örneği

    Short–term wind speed forecasting in smart grids with machine learning techniques: A case study in Kocaeli-Türkiye

    MAYSA GAIDOUM AHMED GAIDOUM

    Doktora

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiSakarya Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. YILMAZ UYAROĞLU

  3. Kaos analizi: Bir finansal sektör uygulaması

    Başlık çevirisi yok

    CAFER ERCAN BOZDAĞ

    Doktora

    Türkçe

    Türkçe

    1998

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET HALUK ERKUT

  4. Predictive error compensated wavelet neural networks framework for time series prediction

    Zaman serisi tahmini için hata tazminli dalgacık dönüşümlü sinir ağları çerçeve yazılımı

    SERKAN MACİT

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. BURAK BERK ÜSTÜNDAĞ

  5. Synthetic net imbalance volume generation in balancing market with markov chain approach

    Markov zincir yaklaşımı ile dengeleme güç piyasasında sentetik net dengesizlik hacmi üretimi

    BİLGE DİLARA İSKEÇELİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Enerjiİstanbul Teknik Üniversitesi

    Enerji Bilim ve Teknoloji Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BURAK BARUTÇU