Projektinformation

Beskrivning

Denna avhandling presenterar maskininlärningsmetoder för att modellera fotgängare. Trafikanter planerar sin rörelse beroende på semantiken och geometrin av objekter i sin närhet. Detta reflekteras i de presenterade metoder som resonerar både semantisk och geometrisk. Avhandlingen tillämpar olika metoder för att balansera tillgänglig a priori kunskap om trafiken med den ofta monotona trafik datan för att leverera realistiska och varierade trafik modeller.

Populärvetenskaplig beskrivning

En självkörande bil är en bil utrustad med sensorer och en styrande logisk enhet. Bilen använder sensorer för att uppfatta världen runtomkring sig. Kameror och radar är typiska exempel på sensorer som kan användas. För att undvika kollisioner måste bilen kunna upptäcka och undvika medtrafikater i närheten. Cyklister och fotgängare är särskilt utsatta vid kollisioner. För att undvika dödliga olyckor bör extra uppmärksammhet läggas på att kollisioner med cyklister och fotgängare undviks. Därför ska bilens förmåga att undvika kollisioner med fotgängare och cyklister testas nogrannt innan bilen sätts i trafik. Sådana tester utörs ofta i simulering för att inte sätta människoliv i fara. Realistisk simulering av den självkörande bilens beteende vid kritiska situationer kräver tillgång till en realsisk fotgängar modell. Tidigare literattur har endast använt förenklade och orealistiska fotgängar modeller vid testning av bilens förmåga att undvika kollisioner. Detta beror på att det är svårt att samla detaljerad fotgängar data. Vi visar att det är möjligt att modellera fotgängare realistisk genom att utnyttja flera olika informationskällor. Slutligen visar vi att realistiska fotgängarmodeller kan användas för att effektivt testa självkörande bilar i simulering.

Det är svårt att upptäcka människor i sensor data från trafiken. Människa detektionsmetoder som presterar bäst på populära datorseende tävlingar presterar dåligt på sensordata ifrån självkörande bilar. Detta beror på att i trafiken fotgängare ofta är längre ifrån kameran, dåligt synliga och är placerade i bildkanetrna till skillnad från bilderna som används i standard objekt detektions tävligar där människor är centrerade i bilderna och väl synliga. Detektion av fotgängare i trafik är svårt och detta gör insmaling av fotgängar beteende data svårt.

En annan svårighet med fotgängar modellering är att trafikanter ofta rör sig monotont. Fotgängare går pfta på trottoarer, och bilar kör vanligtvis på bilvägar. Hur kan man då modellera beteenden som vi vet att bilar och fotgängare utövar men som sällan syns i trafik datan? Vi presenterar en realistisk fotgängarmodell som klarar av att undvika kollisioner även om denna beteende inte finns med i den exiterande datan.

Självkörande bilar modellerar ofta fotgängare som lådor. Kroppställning hade varit en bättre sätt att representera fotgängare då det innehåller information om fotgängarens framtida rörelse som inte fångas med av låd-modelleringen. Till exempel när man ser en bild av en person som springer så kan man direkt förutse att personen kommer att fortsätta springa. Fotgängarens kroppställning är svårt att detektera och används därför inte i självkörande bilarnas planering eller testning. Våran fotgängarmodell kan användas för att utöka existerande trafik data med mänskliga kroppställningar, och kan till och med användas för att skapa farliga trafik stiuationer baserade på befintlig data.

Fotgängares kroppställning bör användas för att förutse fotgängarens rörelse så att bilen kan planera en säker körbana kring fotgängaren. Befintliga metoder som predikterar mänslig rörelse utvärderas ofta på orealistiskt korta tidshorisonter. Varje individ har sin egen unik rörelsemönster, men detta kan inte utnyttjas av existerande prediktionsmodellen som endast ser 0,5s av rörelse. En individs rörelsemönster bör utnyttjas för att få en höjd prediktions prestanda för den individen som bilen interagerar med just nu. Vi visar att klassiska tidserieanalys metoder kan användas för att anpassa allmänna fotgängar rörelse prediktioner till specifika individer under tillämning.

Kollisioner är sällsynta i trafiken, och ännu mer i trafikdata. Därför måste kollisioner simuleras för att testa bilens beteende i situationer som kan leda till en kollision. Befintliga simuleringsmetoder modellerar fotgängare orealistiskt. Våran föreslagna metoder gör det möjligt att simulera kollisioner mellan själkörande bilar och simulerade fotgängare som liknar verkliga fortgängare. Med våran metoder kan man generera kollisioner i varierande trafikplatser, med varierad trafiktäthet och med varierad trafikant beteende.

Sammanfattningsvis understrycker denna avhandling svårigheterna i fotgängar modellering på grund av avsaknad data. Vi föreslår förbättringar till existerande fotgängar rörelse prediktionsmetoder. Slutligen visar vi att det är möjligt att generera kollisionser för mellan självkörande bilar och realistiskt modellerade fotgängare.
StatusSlutfört
Gällande start-/slutdatum2016/09/012023/11/06

Ämnesklassifikation (UKÄ)

  • Datorseende och robotik (autonoma system)
  • Matematik