Crowd-Sourcing Techniques in Autonomous Vehicles, Aiming to Provide Web-Based GIS Layers
Crowd-Sourcing Techniques in Autonomous Vehicles, Aiming to Provide Web-Based GIS Layers
The number of autonomous vehicles in use has been increasing. A growing number of companies invest in the development of algorithms that allow users to rely on intelligent systems to avoid accidents, park their vehicles or, even, hand over the navigation of their vehicles. Driver vulnerabilities, such as fatigue, emotional driving, violation of traffic reg ulations and slow reflexes, often lead to accidents. In contrast, the fast response time of autonomous vehicles alongside compliance with traffic regulations promise, according to existing literature, a significant drop in the number of such accidents. For this reason, the market moves towards autonomous vehicles. Autonomous vehicles are equipped with sensors which provide a variety of in formation about their environment. A new opportunity thus arises with regards to vehicle interactions with information of the road infrastructure. This has given rise to a new research field exploring the Internet of Vehicles (IoV), including vehicle to-vehicle (V2V) communication and vehicle-to-infrastructure (V2I) communication. The former concerns vehicle communication, whereby each vehicle reports its status and intentions to nearby vehicles. The latter, which is the focus of this diploma the sis, concerns communications between each vehicle with a central server in the road infrastructure. This information, after being processed, may be sent to the users of the road network to aid the navigation of vehicles. Crowd sourcing (CS) applications, such as Google Maps, monitor road traffic in real time and allow the development of methods for the effective interconnection of a source with the server. These methods take into account the size of information that each source must send, the structure used to process the data, the security of user data and the robustness of the system. In this diploma thesis, CS methods are used in autonomous vehicles for the structuring of data layers on a map (GIS layers). In particular, information is being extracted by LiDAR sensors as to the existence of free parking spaces or parked cars and is used to inform the users in real time as to the availability of parking spaces. This was implemented using a CARLA simulator that simulates an urban environment. Python programming language in the ROS ecosystem was used for the processing of vehicle sensor data. The processed data were sent and accessed via the MongoDB database and the visualization of information on a map was implemented through QGIS software.
Recommended
More Related Content
More from ISSEL
Crowd-Sourcing Techniques in Autonomous Vehicles, Aiming to Provide Web-Based GIS Layers
- 1. 1 Τεχνικές Πληθοπορισμού σε Αυτόνομα Οχήματα για τη Δημιουργία Επιπέδων στο Σύστημα Γεωγραφικών Πληροφοριών βασισμένων στο διαδίκτυο 12/07/2022 Τεχνικές Πληθοπορισμού σε Αυτόνομα Οχήματα για τη δημιουργία Επιπέδων στο Σύστημα Γεωγραφικών Πληροφοριών βασισμένων στο διαδίκτυο Διπλωματική Εργασία Εκπόνηση: Βαφειάδης Γεώργιος Α.Ε.Μ.: 8565 Επίβλεψη: Αν. Καθηγητής Ανδρέας Συμεωνίδης Μεταδιδακτορικός ερευνητής Εμμανουήλ Τσαρδούρλιας
- 2. 2 Τεχνικές Πληθοπορισμού σε Αυτόνομα Οχήματα για τη Δημιουργία Επιπέδων στο Σύστημα Γεωγραφικών Πληροφοριών βασισμένων στο διαδίκτυο 12/07/2022 2. Εισαγωγή • Συλλογή Δεδομένων από μεγάλο πλήθος διασυνδεμένων πηγών • Κινητά, οχήματα, έξυπνες συσκευές • Ευρωστία, ασφάλεια, αξιοπιστία πληροφοριών • Ετεροδεκτικοί αισθητήρες • Διασύνδεση στο διαδίκτυο • Ύπαρξη προοπτικής γιγάντωσης του πληθυσμού τους • Δημιουργία ανεξάρτητων επιπέδων δεδομένων στον χάρτη • Ροή κυκλοφορίας, θέσεις στάθμευσης, στάσεις λεωφορείων Πληθοπορισμό ς Αυτόνομα Οχήματα Επίπεδα στο Σύστημα Γεωγραφικών Πληροφοριών
- 3. 3 Τεχνικές Πληθοπορισμού σε Αυτόνομα Οχήματα για τη Δημιουργία Επιπέδων στο Σύστημα Γεωγραφικών Πληροφοριών βασισμένων στο διαδίκτυο 12/07/2022 3. Σκοπός Υλοποίησης Δημιουργία πλήρους αλγοριθμικής προσθήκης σε αυτόνομα οχήματα Εύρεση διαθέσιμων θέσεων στάθμευσης Δημιουργία επίπεδου πληροφορίας στον χάρτη Χρήση αισθητήρων οδομετρίας και LiDAR Μέριμνα για τη διόγκωση του πλήθους χρηστών (Εξυπηρετητής) Μέριμνα για κατανάλωση υπολογιστικών πόρων
- 4. 4 Τεχνικές Πληθοπορισμού σε Αυτόνομα Οχήματα για τη Δημιουργία Επιπέδων στο Σύστημα Γεωγραφικών Πληροφοριών βασισμένων στο διαδίκτυο 12/07/2022 4. Μεθοδολογία Οδομετρία Αισθητήρες Encoder INS GNSS Κάμερα robot_localization (ROS) Viso2 (ROS): Οπτική οδομετρία Φιλτράρισμα GNSS Αλγόριθμοι Σκοπός Εντοπισμός θέσης χωρίς χάρτη Σφάλματα μικρότερα των 4 μέτρων Επηρεάζει άμεσα την ακρίβεια των επόμενων σταδίων
- 5. 5 Τεχνικές Πληθοπορισμού σε Αυτόνομα Οχήματα για τη Δημιουργία Επιπέδων στο Σύστημα Γεωγραφικών Πληροφοριών βασισμένων στο διαδίκτυο 12/07/2022 4. Μεθοδολογία Σφάλματα Οδομετρίας 1m X 1m 3m x 3m 20 Km/h 0.812 m. 1.251 m. 36 Km/h 1.374 m. 2.164 m. Τυπική απόκλιση GNSS Ταχύτητα 1. 20Km/h & 1m X 1m 3. 36Km/h & 1m X 1m 2. 20Km/h & 3m X 3m 4. 36Km/h & 3m X 3m Μέσα σφάλματα 1 όχημα 12 λεπτά Προσομοιωτής Carla
- 6. 6 Τεχνικές Πληθοπορισμού σε Αυτόνομα Οχήματα για τη Δημιουργία Επιπέδων στο Σύστημα Γεωγραφικών Πληροφοριών βασισμένων στο διαδίκτυο 12/07/2022 4. Μεθοδολογία Εντοπισμός ελεύθερων θέσεων στάθμευσης Αισθητήρας LiDAR 10 Hz Δυο διαστάσεων Κατακόρυφα προσανατολισμένος Ανάλυση στιγμιότυπου LiDAR (εύρεση ακμών) Συνένωση στιγμιότυπων (μετρικές μήκους οχημάτων) Αιτιολόγηση παρεμβολών ή πολλαπλών οντοτήτων Στάδια αλγορίθμου Σκοπός Εύρεση σταθμευμένων Ορισμός επιτρεπόμενων θέσεων στάθμευσης μέσω του πληθοπορισμού Η απουσία σταθμευμένου από επιτρεπόμενη θέση ορίζει μια ελεύθερη θέση προδιαγραφή ελάχιστο μέγιστο Ύψος οχήματος 0.5 m. 2 m. Ύψος πεζοδρομίου 0.07 m. 0.24 m. Μήκος οχήματος 3.5 m. 6 m. Βάθος ανίχνευσης 1.5 m. 10 m. Βάθος ανίχνευσης σταθμευμένου (P: πεζούλι) P – 3 m. P
- 7. 7 Τεχνικές Πληθοπορισμού σε Αυτόνομα Οχήματα για τη Δημιουργία Επιπέδων στο Σύστημα Γεωγραφικών Πληροφοριών βασισμένων στο διαδίκτυο 12/07/2022 4. Μεθοδολογία Επαλήθευση σταθμευμένων με οπτικό εντοπισμό Σετ εκπαίδευσης 57536 εικόνες Σετ αξιολόγησης 25923 εικόνες 15 εποχές Πειράματα 1 όχημα Συνεργασία Αλγορίθμων (Αιτιοκρατικός – Νευρωνικό) 20 λεπτά 86% 14% YOLO ισχυρός εντοπισμός μικρής βεβαιότητας 58% 42% YOLO-TINY ισχυρός εντοπισμός μικρής βεβαιότητας Darknet yolo-v3 & yolo-v3 tiny
- 8. 8 Τεχνικές Πληθοπορισμού σε Αυτόνομα Οχήματα για τη Δημιουργία Επιπέδων στο Σύστημα Γεωγραφικών Πληροφοριών βασισμένων στο διαδίκτυο 12/07/2022 4. Μεθοδολογία Ομαδοποίηση σημείων εντοπισμού σταθμευμένων (1/2) Εντοπισμοί πολλαπλών οχημάτων & Ομαδοποίηση Εκτελείται στον εξυπηρετητή Παράγει κέντρα επιτρεπόμενων θέσεων στάθμευσης Ομαδοποίηση με χρήση Μοντέλου Γκαουσιανών μειγμάτων Κριτήριο: μέγιστο Silhouette & μέγιστη διακύμανση μικρότερη των 4 m. Χρονοβόρα η εύρεση του κατάλληλου αριθμού ομάδων
- 9. 9 Τεχνικές Πληθοπορισμού σε Αυτόνομα Οχήματα για τη Δημιουργία Επιπέδων στο Σύστημα Γεωγραφικών Πληροφοριών βασισμένων στο διαδίκτυο 12/07/2022 4. Μεθοδολογία Ομαδοποίηση σημείων εντοπισμού σταθμευμένων (2/2) Μέριμνα απόκρισης πραγματικού χρόνου Η βάση ανανεώνεται με νέο στίγμα ανά 1.2 δευτερόλεπτα Άπληστη αναζήτηση αριθμού ομάδων στην έναρξη του αλγορίθμου (από nmap = 2 ως nmap = αριθμός στιγμάτων) Αναζήτηση αριθμού ομάδων για κάθε νέο σημείο Αναζήτηση στο σύνολο του χάρτη Αναζήτηση τοπικά γύρω από το νέο σημείο Δημιουργία παραθύρου nmap-1, nmap, nmap+1 Εφαρμογή κριτηρίου Silhouette & διακύμανση Λήψη των 2 κοντινότερων ομάδων γύρω από το νέο σημείο Αναζήτηση Silhouette για nlocal = 1, nlocal = 2 , nlocal=3 Αν nlocal=1 τότε nmap = nmap – 1 Αν nlocal=2 τότε nmap = nmap Αν nlocal=3 τότε nmap = nmap + 1
- 10. 10 Τεχνικές Πληθοπορισμού σε Αυτόνομα Οχήματα για τη Δημιουργία Επιπέδων στο Σύστημα Γεωγραφικών Πληροφοριών βασισμένων στο διαδίκτυο 12/07/2022 5. Αποτελέσματα Εντοπισμός Σταθμευμένων 5 ελεγκτές 136 σταθμευμένα 20 Km/h Μέσο σφάλμα εντοπισμού Ποσοστό Εύρεσης 1.08 m. 94.7% 1.01 m. 97.8% 1.02 m. 98.3% 1.21 m. 96.1% 1.25 m. 96.6% 1.12 m. 95.3% GNSS μεγάλη ακρίβεια GNSS μικρή ακρίβεια πειράματα 15 λεπτά Αιτιοκρατικός αλγόριθμος μόνο
- 11. 11 Τεχνικές Πληθοπορισμού σε Αυτόνομα Οχήματα για τη Δημιουργία Επιπέδων στο Σύστημα Γεωγραφικών Πληροφοριών βασισμένων στο διαδίκτυο 12/07/2022 5. Αποτελέσματα Εντοπισμός ελεύθερων θέσεων 5 ελεγκτές 105 σταθμευμένα 20 Km/h 15 λεπτά 31 ελεύθερες θέσεις Προηγήθηκε ο εντοπισμός των σταθμευμένων Free Slots experiment results for GNSS with std Deviation 1mX1m Free Slots experiment results for GNSS with std Deviation 3mX3m
- 12. 12 Τεχνικές Πληθοπορισμού σε Αυτόνομα Οχήματα για τη Δημιουργία Επιπέδων στο Σύστημα Γεωγραφικών Πληροφοριών βασισμένων στο διαδίκτυο 12/07/2022 6. Συμπεράσματα Όχημα Οικονομία των πόρων με αιτιοκρατικό αλγόριθμο Πολλοί χρήστες έναντι ακρίβειας αισθητήρων Επίπεδο ελεύθερων θέσεων στάθμευσης στο QGIS Ικανοποιητικά αποτελέσματα με μικρό ποσοστό του πλήθους Μικρό μέγεθος πληροφορίας VS δύσκολη επεξεργασία Πληθοπορισμός & Διαδίκτυο Τμηματική αντιμετώπιση μεγάλων χαρτών Λάθος εντοπισμός επιτρεπόμενων θέσεων Προκαλεί μεγαλύτερο σφάλμα στην έκδοση των ελεύθερων θέσεων
- 13. 13 Τεχνικές Πληθοπορισμού σε Αυτόνομα Οχήματα για τη Δημιουργία Επιπέδων στο Σύστημα Γεωγραφικών Πληροφοριών βασισμένων στο διαδίκτυο 12/07/2022 7. Μελλοντικές Επεκτάσεις Βελτιώσεις Συνένωση αιτιοκρατικού αλγόριθμου με οπτικό εντοπισμό (νευρωνικό δίκτυο) Αξιολόγηση εισερχόμενων δεδομένων Επίπεδο ελεύθερων θέσεων στάθμευσης στο QGIS Συνένωση ανεξάρτητων τμημάτων χάρτη πόλης Περιοδική ανανέωση αλγορίθμου εξυπηρετητή
- 14. 19 Τεχνικές Πληθοπορισμού σε Αυτόνομα Οχήματα για τη Δημιουργία Επιπέδων στο Σύστημα Γεωγραφικών Πληροφοριών βασισμένων στο διαδίκτυο 12/07/2022 Ευχαριστώ για την προσοχή σας! Ερωτήσεις;