Városi környezetértelmezés valós idejű LiDAR szenzor és 3D lokalizációs térkép fúziójával
Napjaink fontos kihívása környezetünk folyamatos, automatizált megfigyelése és értelmezése. A valós idejű távérzékelési technológiák közül gyakran alkalmaznak forgó többsugaras (FT) LiDAR szenzorokat erre a célra, mert nagy pontosságú 3D információt szolgáltatnak a környezetükről, valamint robusztusan kezelik a fényviszonyok napszakhoz, illetve időjáráshoz kapcsolódó változásait.
A lézerszkenneléssel kinyert rendezetlen, ritka ponthalmazok feldolgozása egy napjainkban is aktívan kutatott terület, melyre a szakirodalomban számos geometriai és mély tanulás alapú megközelítés született az elmúlt években. A legújabb eljárások dinamikus objektumok (jármű, gyalogos) lokalizálására és felismerésére fókuszálnak, azonban a szenzoradatok tér- és időbeli felbontásának limitációi miatt - főleg összetettebb, városi szcenáriókban - önmagukban nem elég megbízhatóak. A hatékonyság növelhető újgenerációs térinformatikai rendszerek (GIS) felhasználásával, azonban az általuk tárolt, nagy térbeli részletezettségű 3D várostérképek optimális feldolgozása még nem megoldott.
Jelen dolgozat célja a valós idejű LiDAR szenzor mérési adatainak, valamint a GIS rendszerekben tárolt információknak a fúziójával egy, a jelenleg state-of-the-art objektumdetekciós módszerek hatékonyságát és megbízhatóságát megnövelő eljárás bemutatása. A fúzió során a fedélzeti mérések térképhez való illesztéséhez kidolgoztam egy Hough térben operáló multimodális pontfelhőregisztrációs algoritmust, majd a térkép alapján egy felülnézeti, rács-alapú eljárással szűrtem a FT LiDAR mérésein hamisan dinamikusnak detektált objektumrégiókat. Ezt követően kétdimenziós mélységképekké traszformáltam a regisztrált pontfelhőket, és egy Markov véletlen mező alapú eljárással előtér-háttér szegmentációt végeztem a térkép és az aktuális mérés közti változások felismeréséhez. A változásnak megjelölt régiókon (előtér) egy magas szintű jellemzők alapján tanított SVM osztályozót alkalmaztam a különböző objektumtípusok elkülönítésére.
Az algoritmusokat Budapest forgalmas helyszínein (Deák, Fővám és Kálvin tér) - egyenként 100 méteres útszakaszokon - kvalitatívan és kvantitatívan is kiértekeltem. Míg a kizárólag fedélzeti mérések alapján működő state-of-the-art módszerekkel járművek esetében tipikusan a pontosság (precision), gyalogosok esetén pedig a felidézés (recall) értéke volt alacsonyabb, eljárásommal mindkét esetben körülbelül 10%-kal jobb eredményt, és F-metrika (F-score) alapján is 90% feletti értékeket értem el. A háttértérkép és a valós idejű mérések együttes felhasználásával sikerült egy teljesebb képet alkotni a jármű dinamikus környezetéről, emellett az eljárások végső, illetve részeredményei a későbbiekben a mozgó objektumok követésre, trajektória predikcióra, valamint a 3D várostérképek frissítésére is felhasználhatóak.
szerző
-
H. Zováthi Örkény Ádám
Villamosmérnöki szak, mesterképzés
mesterképzés (MA/MSc)
konzulens
-
Dr. Benedek Csaba
doktorandusz témavezető, Irányítástechnika és Informatika Tanszék