Detecting Speed Bumps From MLS Point Clouds Using Deep Learning Based Approaches

Abstract

Med at selvkjørende biler raskt nærmer seg kommerisell bruk, øker behovet for informasjon disse kjøretøyene kan bruke for å kjøre trygt. HD-kart inneholder et høyt informasjonsnivå over veiene, men mangler fortsatt noen viktige detaljer. Fartshumper er en av som fortsatt mangler fra HD-kartene.

Høy-kvalitets treningsdatasett ble laget med dyp læringsbaserte tilnærminger i tankene. Datasettene ble laget på en måte som gjør det mulig å bruke dem i enten objektdeteksjonsbaserte dyplæringsmodeller eller segmenteringsbaserte dyplæringsmodeller. Treningsdatasettene inneholder sett med veipunktskyer og informasjon om hvor fartshumper finnes.

Det ene datasettet ble deretter brukt til å sjekke om dyp læring er en god tilnærming for å oppdage fartshumper. To dyplæringsmodeller, PointNet ++ og PointCNN, ble tilpasset for å være brukbare med datasettet og deretter kjørt. Resultatene ble deretter etterbehandlet for å skille predikerte humper fra hverandre. Til slutt fikk PointCNN litt bedre resultater enn PointNet ++ med presisjons- og tilbakekallingsverdier på henholdsvis 93 \% og 90 \%, mens PointNet++ fikk presisjon og tilbakekalling på 87 \% og 90 \%.

Kildekoden utviklet og brukt i dette prosjektet kan finnes på \url{https://github.com/LarsEivind96/Master}.

With autonomous vehicles rapidly approaching commercial use, the need for information these vehicles can use to drive safely increases. HD maps contain a high level of information about the roads, but are still lacking some important features. Speed bumps is one of the features that still are lacking from the HD maps.

High-quality training datasets were created with deep learning-based approaches in mind. The datasets were made in a fashion that makes it possible to use them in either object detection-based deep learning models or segmentation based deep learning models. The training datasets contain a set of road point clouds with information about where speed bumps can be found.

One of these datasets was then used to check if deep learning is a viable approach for detecting the bumps. Two deep learning models, PointNet++ and PointCNN, were adapted to be usable with the dataset and subsequently run. The results were then post-processed to differentiate predicted bumps from each other. PointCNN got slightly better results than PointNet++ with precision and recall values of 93\% and 90\%, respectively, while PointNet++ got precision and recall of 87\% and 90\%.

The source code developed and used in this project can be found on \url{https://github.com/LarsEivind96/Master}.