IDENTIFICAÇÃO DE NOVAS TECNOLOGIAS BASEADAS EM VISÃO COMPUTACIONAL APLICADAS A VEÍCULOS AUTÔNOMOS

TROSCIANCZUK, Luis Henrique da Rocha1; RUDEK, Marcelo2;

Resumo

Introdução:Nos últimos anos, muitas empresas vêm buscando desenvolver e aperfeiçoar tecnologias capazes de tornar veículos autônomos cada vez mais confiáveis e comercialmente viáveis. Dentre essas tecnologias estão sensores, câmeras e algoritmos, todos essenciais para que o veículo capte e interprete o seu entorno, detectando pedestres, obstáculos e sinalização, elementos cuja identificação é fundamental para a condução autônoma.

Objetivo:O objetivo desta pesquisa é compreender os elementos tecnológicos atuais e criar uma base de conhecimento acerca dos requisitos de visão computacional para identificar os diferentes elementos presentes no trânsito de veículos, como faixas na rua, placas de sinalização, pedestres e outros veículos transitando a via, no contexto de operação de veículos autônomos.

Metodologia:Foi realizada a pesquisa bibliográfica para o estudo do estado da arte do assunto estudado, em livros acadêmicos e também artigos científicos via base de dados online. Após a seleção de algoritmos foi realizada a pesquisa experimental para o desenvolvimento e testes com o processamento de imagem e aplicação de Deep Learning.Para as funções necessárias para o pré-processamento de imagens, foi escolhida a biblioteca open-source OpenCV, com suporte para C++, MATLAB e Python. Para implementação dos algoritmos de classificação com Machine Learning foi selecionada a biblioteca Keras que permite mais alto nível para desenvolvimento de redes neurais.

Resultados:Foi realizado o treino da rede neural, com o banco de imagens German Traffic Signs, que conta com cerca de 35 mil imagens para treino, 4,5 mil para validação e 12,5 mil para teste de reconhecimento de placas de trânsito através de Visão Computacional. Durante o treino, a Rede Neural obteve bons resultados com a imagens de teste, chegando a mais de 99% de acerto. No entanto, para o conjunto de validação obteve-se apenas 70%.

Conclusões:Com o algoritmo desenvolvido, verificou-se que a porcentagem de acerto ficou bem abaixo do reportado na literatura, e por exemplo não conseguiu reconhecer a placa usada nos testes realizados. Buscando explicação na literatura, pela característica do resultado talvez tenha ocorrido o fenômeno chamado de overfitting, onde o algoritmo consegue reconhecer bem as imagens de treino, porém não consegue generalizar seu aprendizado. Também foram feitas tentativas de melhoria com a utilização de redes pré-treinadas, como a VGG16, e os resultados de reconhecimento continuam baixo. Apesar disso, observa-se grande interesse da área acadêmica e da industria automobilística neste tema, desta forma a pesquisa se mostrou bastante válida. Sendo assim este trabalho iniciado abre oportunidades para novas pesquisas futuras em busca da melhoria de resultados e do conhecimento de novas técnicas baseadas em aprendizagem de máquina.

Palavras-chave:Visão Computacional. Deep Learning. Veículos Autônomos

Legendas

    1. Estudante
    2. Orientador