Μονοφθαλμική Εκτίμηση Τρισδιάστατης Θέσης Κώνων για Αυτόνομο Αγωνιστικό Όχημα Formula Student

Abstract

Η παρούσα διπλωματική εργασία πραγματεύεται τον σχεδιασμό, την υλοποίηση και την πει- ραματική αξιολόγηση ενός συστήματος αντίληψης (perception) για το πρώτο αυτόνομο αγωνι- στικό μονοθέσιο της ομάδας Prom Racing του Εθνικού Μετσόβιου Πολυτεχνείου, στο πλαίσιο του διεθνούς διαγωνισμού Formula Student Driverless. Στους διαγωνισμούς αυτούς, τα όρια της άγνωστης εκ των προτέρων διαδρομής σηματοδοτούνται από χρωματιστούς κώνους, τους οποίους το όχημα οφείλει να εντοπίζει και να χαρτογραφεί σε πραγματικό χρόνο. Το υπό μελέτη σύστημα υιοθετεί μια αρθρωτή αρχιτεκτονική τριών σταδίων που βασίζε- ται σε μονοφθαλμική (monocular) κάμερα: (α) ανίχνευση κώνων στο επίπεδο της εικόνας με συνελικτικά δίκτυα της οικογένειας YOLO, (β) παλινδρόμηση επτά προκαθορισμένων σημείων- κλειδιών (keypoint regression) επί της περικομμένης εικόνας κάθε κώνου, και (γ) εκτίμηση της τρισδιάστατης θέσης κάθε κώνου μέσω επίλυσης του προβλήματος Perspective-n-Point (PnP), αξιοποιώντας την εκ των προτέρων γνωστή γεωμετρία του κώνου. Η συνεισφορά της εργασίας εστιάζεται στην αξιολόγηση της εν λόγω αρχιτεκτονικής, στις σχεδιαστικές επιλογές αισθητή- ρων και μοντέλων, και κυρίως στην υλοποίηση και βελτίωση των επιμέρους σταδίων: αναβάθμιση του ανιχνευτή από YOLOv2 σε YOLOv5/YOLOv8, συστηματική μελέτη ελαφρών αρχιτεκτο- νικών παλινδρόμησης σημείων-κλειδιών, και εισαγωγή δικτύου θερμικών χαρτών (heatmap net- work) με διαφορίσιμο soft-argmax. Η πειραματική αξιολόγηση περιλαμβάνει συγκριτική μελέτη 19 εκπαιδευμένων μοντέλων σημείων-κλειδιών τεσσάρων αρχιτεκτονικών οικογενειών σε σύνολο 7.146 εικόνων κώνων, κα- θώς και έξι ανιχνευτών YOLO. Τα αποτελέσματα αναδεικνύουν ότι ένα δίκτυο μόλις 38.722 παραμέτρων (KPComplex) επιτυγχάνει σφάλμα 1,11 px RMSE, πολύ κοντά στην ακρίβεια δι- κτύου 110 φορές μεγαλύτερου (VGGv3, 0,999 px), εύρημα κρίσιμο για εκτέλεση σε ενσωμα- τωμένο υπολογιστή περιορισμένων πόρων. Το προτεινόμενο δίκτυο θερμικών χαρτών (310.871 παράμετροι) επιτυγχάνει ανταγωνιστική ακρίβεια (1,26 px) και ανοίγει τον δρόμο για εκτίμηση αβεβαιότητας ανά σημείο.