Die Bildung der Augen führte zum Urknall der Evolution. Die Dynamik änderte sich von einem primitiven Organismus, der auf den Kontakt mit der Nahrung wartete, zu einem Organismus, der durch visuelle Sensoren gesucht wurde. Das menschliche Auge ist eine der raffiniertesten Entwicklungen der Evolution, aber es hat immer noch Mängel. Der Mensch hat über Millionen von Jahren einen biologischen Wahrnehmungsalgorithmus entwickelt, der in der Lage ist, Autos zu fahren, Maschinen zu bedienen, Flugzeuge zu steuern und Schiffe zu navigieren. Die Automatisierung dieser Fähigkeiten für Computer ist entscheidend für verschiedene Anwendungen, darunter selbstfahrende Autos, Augmented Realität und architektonische Vermessung. Die visuelle Nahfeldwahrnehmung im Kontext von selbstfahrenden Autos kann die Umgebung in einem Bereich von 0-10 Metern und 360° Abdeckung um das Fahrzeug herum wahrnehmen. Sie ist eine entscheidende Entscheidungskomponente bei der Entwicklung eines sichereren automatisierten Fahrens. Jüngste Fortschritte im Bereich Computer Vision und Deep Learning in Verbindung mit hochwertigen Sensoren wie Kameras und LiDARs haben ausgereifte Lösungen für die visuelle Wahrnehmung hervorgebracht. Bisher stand die Fernfeldwahrnehmung im Vordergrund. Ein weiteres wichtiges Problem ist die begrenzte Rechenleistung, die für die Entwicklung von Echtzeit-Anwendungen zur Verfügung steht. Aufgrund dieses Engpasses kommt es häufig zu einem Kompromiss zwischen Leistung und Laufzeiteffizienz. Wir konzentrieren uns auf die folgenden Themen, um diese anzugehen: 1) Entwicklung von Nahfeld-Wahrnehmungsalgorithmen mit hoher Leistung und geringer Rechenkomplexität für verschiedene visuelle Wahrnehmungsaufgaben wie geometrische und semantische Aufgaben unter Verwendung von faltbaren neuronalen Netzen. 2) Verwendung von Multi-Task-Learning zur Überwindung von Rechenengpässen durch die gemeinsame Nutzung von initialen Faltungsschichten zwischen den Aufgaben und die Entwicklung von Optimierungsstrategien, die die Aufgaben ausbalancieren.


    Zugriff

    Download


    Exportieren, teilen und zitieren



    Titel :

    Multi-task near-field perception for autonomous driving using surround-view fisheye cameras


    Beteiligte:
    Ravi Kumar, Varun (Autor:in) / Mäder, Patrick (Akademische:r Betreuer:in) / McDonald, John (Akademische:r Betreuer:in) / Notni, Gunther (Akademische:r Betreuer:in) / Technische Universität Ilmenau (Grad-verleihende Institution)

    Erscheinungsdatum :

    2021


    Format / Umfang :

    1 Online-Ressource (xxv, 219 Seiten)


    Anmerkungen:

    Diagramme, Illustrationen
    Literaturverzeichnis: Seite 183-219



    Medientyp :

    Hochschulschrift


    Format :

    Elektronische Ressource


    Sprache :

    Englisch



    Klassifikation :

    DDC:    006.3
    RVK:    ST 330
    BKL:    55.24 Fahrzeugführung, Fahrtechnik / 54.74 Maschinelles Sehen / 54.73 Computergraphik



    Near-Field Perception for Low-Speed Vehicle Automation Using Surround-View Fisheye Cameras

    Eising, Ciaran / Horgan, Jonathan / Yogamani, Senthil | IEEE | 2022


    SVDistNet: Self-Supervised Near-Field Distance Estimation on Surround View Fisheye Cameras

    Ravi Kumar, Varun / Klingner, Marvin / Yogamani, Senthil et al. | IEEE | 2022


    Surround-View Fisheye Camera Perception for Automated Driving: Overview, Survey & Challenges

    Kumar, Varun Ravi / Eising, Ciaran / Witt, Christian et al. | IEEE | 2023

    Freier Zugriff

    Machine Learning-based Stereo Vision Algorithm for Surround View Fisheye Cameras

    Akita, Tokihiko / Yamauchi, Yuji / Fujiyoshi, Hironobu | IEEE | 2018