Riassunto analitico
La tesi di laurea è stata redatta sulla base del lavoro svolto durante il tirocinio presso Hipert s.r.l. Inizialmente la tesi presenta un confronto tra diversi sensori utilizzabili per la perception di autoveicoli o robot autonomi. A seguito della scelta di approfondire e utilizzare un Lidar per le sue caratteristiche e per l’innovazione che questo sensore porta, viene fatto un confronto tra diversi metodi per la clusterizzazione e la segmentazione di Pointcloud per la guida autonoma. Successivamente vengono proposti due diversi algoritmi (sviluppati dal sottoscritto) utilizzabili in Real Time per la clusterizzazione e il riconoscimento di oggetti, il tutto in ambiente embedded su board NVIDIA. Il codice è scritto in C++ e CUDA sfruttando la parallelizzazione e l’ottimizzazione del codice. Inoltre, vengono presentati due moderni metodi che sfruttano le reti neurali per la Segmentazione Panottica delle Pointcloud. Le reti sono state testate ed una in particolare è stata re-trainata su famosi dataset come Kitti e Nuscenes. Infine, viene fatto un confronto tra tutti i metodi proposti in termini di precisione, efficacia e tempi di esecuzione.
|
Abstract
The thesis was written on the basis of the work done during the internship at Hipert s.r.l. Initially the thesis presents a comparison of different sensors that can be used for the perception of autonomous cars or robots. Following the choice to deepen and use a Lidar for its characteristics and for the innovation that this sensor brings, a comparison is made between different methods for clustering and segmentation of Pointcloud for autonomous driving. Then two different algorithms are proposed (developed by me) usable in Real Time for clustering and recognition of objects, all in an embedded environment on NVIDIA boards. The code is written in C++ and CUDA using the parallelization and optimization of the code. In addition, two modern methods exploiting neural networks for Pointcloud Panoptic Segmentation are presented. The networks have been tested and one in particular has been re-towed to famous datasets such as Kitti and Nuscenes. Finally, a comparison is made between all the proposed methods in terms of accuracy, effectiveness and execution time.
|
