Detecção de obstáculos usando fusão de dados de percepção 3D e radar em veículos automotivos (2017)
- Authors:
- Autor USP: ROSERO, LUIS ALBERTO ROSERO - ICMC
- Unidade: ICMC
- Sigla do Departamento: SSC
- Subjects: VISÃO COMPUTACIONAL; REALIDADE VIRTUAL; ROBÓTICA
- Keywords: 3D LiDAR; Autonomous vehicles; Calibração de sensores; Computer vision; Detecção de obstáculos; Fusão de sensores; LiDAR 3D; Obstacle detection; Radar; Sensor calibration; Sensor fusion; Veículos autônomos
- Language: Português
- Abstract: Este projeto de mestrado visa a pesquisa e o desenvolvimento de métodos e algoritmos, relacionados ao uso de radares, visão computacional, calibração e fusão de sensores em veículos autônomos/inteligentes para fazer a detecção de obstáculos. O processo de detecção de obstáculos se divide em três etapas, a primeira é a leitura de sinais de Radar, do LiDAR e a captura de dados da câmera estéreo devidamente calibrados, a segunda etapa é a fusão de dados obtidos na etapa anterior (Radar+câmera, Radar+LIDAR 3D), a terceira etapa é a extração de características das informações obtidas, identificando e diferenciando o plano de suporte (chão) dos obstáculos, e finalmente realizando a detecção dos obstáculos resultantes da fusão dos dados. Assim é possível diferenciar os diversos tipos de elementos identificados pelo Radar e que são confirmados e unidos aos dados obtidos por visão computacional ou LIDAR (nuvens de pontos), obtendo uma descrição mais precisa do contorno, formato, tamanho e posicionamento destes. Na tarefa de detecção é importante localizar e segmentar os obstáculos para posteriormente tomar decisões referentes ao controle do veículo autônomo/inteligente. É importante destacar que o Radar opera em condições adversas (pouca ou nenhuma iluminação, com poeira ou neblina), porém permite obter apenas pontos isolados representando os obstáculos (esparsos). Por outro lado, a câmera estéreo e o LIDAR 3D permitem definir os contornos dos objetos representando mais adequadamenteseu volume, porém no caso da câmera esta é mais suscetível a variações na iluminação e a condições restritas ambientais e de visibilidade (p.ex. poeira, neblina, chuva). Também devemos destacar que antes do processo de fusão é importante alinhar espacialmente os dados dos sensores, isto e calibrar adequadamente os sensores para poder transladar dados fornecidos por um sensor referenciado no próprio sistema de coordenadas para um outro sistema de coordenadas de outro sensor ou para um sistema de coordenadas global. Este projeto foi desenvolvido usando a plataforma CaRINA II desenvolvida junto ao Laboratório LRM do ICMC/USP São Carlos. Por fim, o projeto foi implementado usando o ambiente ROS, OpenCV e PCL, permitindo a realização de experimentos com dados reais de Radar, LIDAR e câmera estéreo, bem como realizando uma avaliação da qualidade da fusão dos dados e detecção de obstáculos com estes sensores.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2017
- Data da defesa: 30.01.2017
-
ABNT
ROSERO, Luis Alberto Rosero. Detecção de obstáculos usando fusão de dados de percepção 3D e radar em veículos automotivos. 2017. Dissertação (Mestrado) – Universidade de São Paulo, São Carlos, 2017. Disponível em: https://teses.usp.br/teses/disponiveis/55/55134/tde-17042017-145443/. Acesso em: 31 mar. 2026. -
APA
Rosero, L. A. R. (2017). Detecção de obstáculos usando fusão de dados de percepção 3D e radar em veículos automotivos (Dissertação (Mestrado). Universidade de São Paulo, São Carlos. Recuperado de https://teses.usp.br/teses/disponiveis/55/55134/tde-17042017-145443/ -
NLM
Rosero LAR. Detecção de obstáculos usando fusão de dados de percepção 3D e radar em veículos automotivos [Internet]. 2017 ;[citado 2026 mar. 31 ] Available from: https://teses.usp.br/teses/disponiveis/55/55134/tde-17042017-145443/ -
Vancouver
Rosero LAR. Detecção de obstáculos usando fusão de dados de percepção 3D e radar em veículos automotivos [Internet]. 2017 ;[citado 2026 mar. 31 ] Available from: https://teses.usp.br/teses/disponiveis/55/55134/tde-17042017-145443/ - Leveraging Modular Architectures and End-to-End Learning for Autonomous Driving in Unmapped Environments
- Autonomous driving of trucks in off-road environment
- CNN-Planner: a neural path planner based on sensor fusion in the bird's eye view representation space for mapless autonomous driving
- A review on multi-scenario decision-making for urban autonomous driving
- A comparative analysis of class imbalance-aware loss functions for semantic segmentation of off-road scenarios for autonomous vehicles
- Comparative analysis of transformer-based segmentation networks for off-road scenes
- EPiCS: expert-based point cloud segmentation of off-road LiDAR point clouds using graph neural networks
- Integrating modular pipelines with end-to-end learning: a hybrid approach for robust and reliable autonomous driving systems
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
