La conduite autonome avec MATLAB

Jour 1

Etiquetage de données de vérité-terrain

Objectif: Etiqueter interactivement les données de vérité-terrain provenant d'une vidéo ou d'une séquence d'images. Automatisation de cet étiquetage avec les algorithmes de détection et de suivi.

• Vue d'ensemble de l'app Ground Truth Labeler
• Etiquetage des régions d'intérêt (ROI) et de scènes.
• Automatisation de l'étiquetage
• Vue et exportation des résultats des données terrain

Visualisation de données des capteurs

Objectif: Visualiser la détection dans les trames des caméras, radars et lidar. Utilisation des systèmes de coordonnées appropriées pour transformer les coordonnées image en coordonnées véhicule et vice versa.

• Création d'un graphe en vue d'oiseau
• Tracé d'une zone de couverture des capteurs
• Visualisation des détections et de la voierie
• Conversion des coordonnées véhicule aux coordonnées image
• Annotation des vidéos avec détections et délimitation des voies

Détection de voies et les véhicules

Objectif: Segmentation et modélisation parabolique des frontières des voies. Utilisation de détecteurs d'objets pré entrainés pour la détection de véhicule.

• Transformée en vue d'oiseau
• Détection des caractéristiques d'une voie
• Modélisation des voies
• Validation des détecteurs de voies avec les données de vérité-terrain
• Détection de véhicules avec les détecteurs d'objets pré entrainés

Traitement de nuages de points lidar

Objectif: Travailler avec des données stockées dans un format de nuage de points en 3-D. Importer, visualiser et traiter les points d'un nuage en les segmentant dans des groupes. Recaler des nuages de points pour les aligner et construire une carte globale de nuages de points.

• Importation et visualisation de nuages de points
• Traitement de nuages de points
• Segmentation d'objets à partir de données lidar
• Construction d'une carte à partir de données lidar

Jour 2

Fusion de données de capteurs et suivi

Objectif: Créer des algorithmes de suivi d'objets multiples agrégant les informations de plusieurs capteurs comme des caméras, des radars et des lidars.

• Suivi d'objets multiples
• Prétraitement des détections
• Utilisation de filtres de Kalman
• Gestion d'objets multiples
• Suivi d'objets multiples

Suivi d'objets étendus

Objectif: Créer un suiveur PHD (Probability Hypothesis Density) qui servira à suivre des objets étendus et estimer leurs positions et tailles.

• Définition de la configuration des capteurs
• Suivi des objets étendus
• Estimation de la taille et de la position des objets étendus

Génération de scénarios de conduites et modèles capteurs

Objectif: Créer interactivement les scénarios de conduite et des radars synthétiques et des capteurs de détection pour tester les algorithmes de perception pour la conduite autonome.

• Vue d'ensemble de l'app Driving Scenario Designer
• Création des scénarios avec les rues, acteurs et capteurs
• Simulation et visualisation des scénarios
• Génération et exportation des scénarios de détection
• Test des algorithmes avec les scénarios