dc.contributor.advisor | Hongchao Fan | |
dc.contributor.author | Kjuus, Sverre | |
dc.contributor.author | Lien, Lars Eivind Røstum | |
dc.date.accessioned | 2022-10-26T17:19:34Z | |
dc.date.available | 2022-10-26T17:19:34Z | |
dc.date.issued | 2022 | |
dc.identifier | no.ntnu:inspera:108844495:33636202 | |
dc.identifier.uri | https://hdl.handle.net/11250/3028493 | |
dc.description | Full text not available | |
dc.description.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}. | |
dc.description.abstract | 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}. | |
dc.language | eng | |
dc.publisher | NTNU | |
dc.title | Detecting Speed Bumps From MLS Point Clouds Using Deep Learning Based Approaches | |
dc.type | Master thesis | |