عنوان

بهینه‌سازی‌نقاط‌کلیدی برای تشخیص‌ اشیا دررانندگی‌خودران با استفاده ازیادگیری عمیق‌والگوریتم‌های‌فراابتکاری

Number

پ۲۶۹۱۰

.Language of Text, Soundtrack etc

per

Title Proper

بهینه‌سازی‌نقاط‌کلیدی برای تشخیص‌ اشیا دررانندگی‌خودران با استفاده ازیادگیری عمیق‌والگوریتم‌های‌فراابتکاری

First Statement of Responsibility

رسول‌قدسی

Name of Publisher, Distributor, etc.

مهندسیبرق وکامپیوتر

Date of Publication, Distribution, etc.

۱۴۰۰

Specific Material Designation and Extent of Item

۸۵ص.

Accompanying Material

سی دی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

مهندسی کامپیوترگرایش‌هوش مصنوعی و رباتیکز

Date of degree

۱۴۰۰/۱۱/۱۲

Text of Note

چکیده:ماشین های‌خودران (یا خودروهای‌بدون‌سرنشین) از تکنیک‌های مختلفی برای شناسایی محیط و اشیای اطراف خود استفاده می‌کنند. فناوری شناسایی و تشخیص اشیا در ماشین‌های‌خودران به منظورشناسایی ‌اشیا و محیط‌ اطراف خودرو درهنگام رانندگی‌استفاده می‌شود.امروزه‌یادگیری‌عمیق دربسیاری‌از امور روزانه‌مان بدون آنکه خود بدانیم وارد شده‌است، برای‌مثال اگر گوشی‌شما با تشخیص چهره باز می‌شود نمونه‌ای ازیادگیری‌عمیق است. یا اینستاگرام پست‌هایی که به موضوعات مورد علاقه شما مرتبط است را جلوی‌دید شما قرار می‌دهد، همه‌اینها نمونه ای‌از یادگیری عمیق است.یادگیری‌عمیق مرحله‌تکامل یافته و پیشرفته یادگیری‌ماشین است. هرچقدر به جلوتر می‌رویم میزان کمک یادگیری‌عمیق به انسان بیشتر و بیشتر می‌شود. برای مثال مدل‌های‌یادگیری عمیق خودروهای خودران دربرخی‌جهات از هوش مصنوعی‌برتری‌دارند. برای‌مثال‌دربحث‌تشخیص‌تصویر، الگوریتم یادگیری عمیق دو برابرموثرتر از هر الگوریتم دیگرعمل می‌کنند.چندین مدل‌هوش مصنوعی به طورهمزمان درحوزه خودروهای‌خودران درفعالیت هستند، بعضی مدل‌ها درشناسایی‌علائم رانندگی و بعضی‌درتشخیص عابرین پیاده مهارت دارند. بسیاری براین عقیده هستندکه اتومبیل‌های خودران ایمن تر از اتومبیل‌های دارای راننده عمل خواهند کرد.ادامه چکیده‌پایان نامه:دهه گذشته شاهد پیشرفت فزاینده‌ای درفناوری اتومبیل‌های خودران بوده‌ایم، که عمدتاً از پیشرفت در زمینه دیپ‌لرنینگ و هوش‌مصنوعی ناشی می‌شد. درآینده‌ای نه چندان دور اتومبیل‌های خودران ایمن ترین وسایل نقلیه درجاده‌ها خواهند بود. صنعت خودروسازی با استفاده از مجموعه‌ای بسیار قوی‌تر از داده‌های حسگر و امکان پردازش سریع این داده‌ها، در پی‌ایجاد یک اتومبیل‌کاملا مستقل است. روشهای‌یادگیری‌عمیق، می‌توانند به خودروهای‌خودران کمک کنند که درک عمیقی از محیط اطراف خود داشته باشند و درتصمیم‌گیری کمترین میزان‌خطا را داشته باشند.در این تحقیق روش‌پیشنهادی ارائه شده٬ تشخیص‌شی سه‌بعدی مبتی برStereo R-CNN می‌باشد.روش Stereo R-CNN روش Faster R-CNN را گسترش داده، که برای ورودی‌های استریو برای شناسایی و مرتبط کردن همزمان شی درعکس های چپ و راست می باشد.سیستم تشخیص‌اشیاء پیاده‌سازی‌شده، در مرحله تست نتایج خوبی از خود نشان داده. با این حال، این امکان وجود دارد که ویژگی‌های جدیدی هم به این سیستم اضافه کرد و یا اینکه، ویژگی‌های آن را بهبود بخشید. تشخیص‌اشیاء سه‌بعدی به عنوان پایه اساسی‌ادراک بصری، پیش بینی‌حرکت و برنامه‌ریزی برای رانندگی مستقل عمل می‌کند. درحال حاضر، بیشتر روش‌های تشخیص‌اشیاء سه‌بعدی برای ارائه اطلاعاتعمیق‌دقیق به صورت مستقل برای سناریوهای رانندگی به شدت به داده‌های LiDAR متکی هستند. ولی LiDAR دارای معایبی همچون هزینه بالا، محدوده درک نسبتاً کوتاه (حدود100متر) و اطلاعاتپراکنده می‌باشد. با توجه به اینکه روشStereo R-CNN نسبت به سنسور LiDAR مقرون به صرفه بوده ونسبت به دوربین تک‌چشمی اطلاعات دقیق‌تری ارائه می‌دهد، بنابراین روش Stereo R-CNN بهترین گزینه برای تحقیق می‌باشد.براساس این تحقیق روش پیشنهادی ارائه شده از تمام روش‌های تشخیص سه بعدی مبتنی بر تصویر بهتر عمل می‌کند٬ و حتی بهتر از روش LiDAR پایه عملکرد بهتری دارد.

Text of Note

Abstract:Autonomous cars (or drones) use a variety of techniques to identify the environment and objects around them. Object detection technology is used in cars to identify objects and the environment around the vehicle while driving.Deep learning has entered into many of our daily tasks which we are not even aware of them, for example, if your phone opens with face recognition is an example of deep learning. Or Instagram shows posts related to your favorite topics in front of your eyes, all of which are examples of deep learning. Deep learning is an evolved and advanced stage of machine learning. The further we go, the greater the amount of deep learning aid to human beings. For example, the deep learning models of self-driving cars are superior to artificial intelligence in some respects. In the case of image recognition, for example, deep learning algorithms are twice as effective as any other algorithm.Several models of artificial intelligence are simultaneously operating in the field of autonomous cars, some models are skilled in recognizing driving signs and some are skilled in recognizing pedestrians. Many believe that self-driving cars will be safer than cars with a driver.In the past decade, autonomous car technology made a lot of progress, largely due to advances in deep learning and artificial intelligence. In the not-too-distant future, autonomous cars will be the safest vehicles on the road.The automotive industry uses a much more powerful set of sensor data and the ability to process this data quickly; It seeks to create a completely independent car.Deep learning techniques can help self-driving cars have a deeper understanding of their surroundings and make the least number of mistakes in their decisions.In this research work, the proposed method is 3D object recognition based on Stereo R-CNN . The Stereo R-CNN method develops the Faster R-CNN method, used for stereo inputs to simultaneously identify and associate the object in the left and right images . The implemented object detection system has shown good results in the test phase. However, it is possible to add new features to this system or improve its features. 3D object detection is the basic foundation of visual perception, motion prediction, and planning for autonomous driving. Currently, most 3D object detection methods rely heavily on LiDAR data to provide accurate depth information autonomously for driving scenarios . But LiDAR has disadvantages such as high cost, relatively short detection range (about 100 meters), and scattered information. Considering that the Stereo R-CNN method is cost-effective compared to the LiDAR sensor and provides more accurate information than the monocular camera, therefore the Stereo R-CNN method is the best option for research . According to this research, the proposed method works better than all image-based 3D detection methods. And even has a good performance rather than the LiDAR method.

Variant Title

Optimization of key points for object detection in self-driving using deep learning and metaheuristic algorithms

Entry Element

‏قدسی،

Part of Name Other than Entry Element

رسول‌

Relator Code

تهيه کننده

Entry Element

‏برادرانی،

Entry Element

صالحپور،

Entry Element

‏‏پاشازاده،

Part of Name Other than Entry Element

آریاز

Part of Name Other than Entry Element

پدرام

Part of Name Other than Entry Element

سعید

Dates

استاد راهنما

Dates

استاد راهنما

Dates

استاد مشاور

Entry Element

تبریز