Please use this identifier to cite or link to this item: https://hdl.handle.net/20.500.13087/2918
Title: Kötü hava koşullarında otonom araçlar için matematiksel programlama temelli yaklaşımlar
Other Titles: Mathematical programming based solutions for autonomous vehicle in adverse weather
Authors: Çimen, Emre
Çağlayan, Aslıcan
Keywords: Endüstri ve Endüstri Mühendisliği
Industrial and Industrial Engineering
Issue Date: 2022
Publisher: Eskişehir Teknik Üniversitesi
Abstract: Otonom araçlar sahip oldukları yazılım ve donanımlar sayesinde, herhangi bir sürücüye ya da müdahaleye ihtiyaç duymadan etraflarındaki trafik akışını, yayaları ve diğer araçları algılayarak seyir halinde gidebilen robotlardır. Bu algılama işlemini radar, lidar, stereo kamera gibi sensörlerden elde edilen veriler üzerinden yaparlar. Sonrasında elde edilen sensör verisini işleyerek, trafik akışına katılırlar. Ancak otonom araçların beklenildiği gibi günlük hayatımızın birer parçası olabilmesinin önündeki en büyük engellerden biri, sensör performanslarının kötü hava koşullarında dramatik olarak düşmesidir. Bu çalışmada yağmurlu hava koşulunda, bir otonom araçtaki stereo kamera sensöründen elde edilen görüntüler üzerindeki nesne sınıflandırma problemi ele alınmıştır. Bu problemin çözümü ve karşılaştırmalı sonuçların alınabilmesi için aynı gerçek hayat senaryosunun hem güneşli hem de yağmurlu havada çekilen görüntülerini barındıran iki ayrı veri seti kullanılmıştır. Yağmur damlaları nedeniyle bozulmaya uğramış görüntülerin temizlenmesi için derin sinir ağı tabanlı bir otokodlayıcı model önerilmiştir. Elde edilen sonuçlar, önerilen otokodlayıcının yağmur gürültüsünü temizleyerek, gürültülü fotoğraflardaki nesne sınıflandırma performansını iyileştirdiğini göstermektedir.
Autonomous vehicles are robots that can navigate by sensing the traffic flow, pedestrians and other vehicles around them without the need for any driver or intervention, thanks to their software and hardware. They do this detection process over the data obtained from sensors such as radar, lidar, stereo cameras. Afterward, they process the obtained sensor data and participate in the traffic flow. However, one of the biggest obstacles to autonomous vehicles being a part of our daily lives is the dramatic decrease in sensor performance in bad weather conditions. In this study, the object classification problem on images obtained from a stereo camera sensor in an autonomous vehicle. In order to solve this problem and obtain comparative results, two separate datasets containing images of the same real-life scenario taken in both sunny and rainy weather were used. A deep neural network-based autoencoder model is proposed to clean the images in the data set, which were taken in rainy weather conditions and deteriorated due to raindrops adhering to the lens of the stereo camera. The obtained results show that the proposed autoencoder improves the object classification performance.
URI: https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=CG8WvdvvxJP04Unr7Yecf5FZz8050CHyU8COZxF_FVd6o_WAkglPoVs2AkZ_eOPu
https://hdl.handle.net/20.500.13087/2918
Appears in Collections:Tez Koleksiyonu

Show full item record

CORE Recommender

Page view(s)

30
checked on Oct 3, 2022

Google ScholarTM

Check


Items in GCRIS Repository are protected by copyright, with all rights reserved, unless otherwise indicated.