Road topology classification for autonomous driving

• Autores: Álvaro Hernández Saz
• Directores de la Tesis: Miguel Angel Sotelo Vázquez (dir. tes.), Ignacio Parra Alonso (codir. tes.)
• Lectura: En la Universidad de Alcalá ( España ) en 2022
• Idioma: inglés
• Tribunal Calificador de la Tesis: Federico Alvarez García (presid.), Carlota Salinas Maldonado (secret.), Carlos Fernández López (voc.)
• Programa de doctorado: Programa de Doctorado en Tecnologías de la Información y las Comunicaciones por la Universidad de Alcalá
• Materias:
  • Ciencias tecnológicas
    • Tecnología de los sistemas de transporte
      • Sistemas de tránsito urbano
• Enlaces
  • Tesis en acceso abierto en:  TESEO  e_Buah 
• Resumen
  • español

    La clasificación de la topología de la carretera es un punto clave si queremos desarrollar sistemas de conducción autónoma completos y seguros. Es lógico pensar que la comprensión de forma exhaustiva del entorno que rodea al vehículo, tal como sucede cuando es un ser humano el que toma las decisiones al volante, es una condición indispensable si se quiere avanzar en la consecución de vehículos autónomos de nivel 4 o 5. Si el conductor, ya sea un sistema autónomo, como un ser humano, no tiene acceso a la información del entorno la disminución de la seguridad es crítica y el accidente es casi instantáneo i.e., cuando un conductor se duerme al volante.

    A lo largo de esta tesis doctoral se presentan sendos sistemas basados en deep leaning que ayudan al sistema de conducción autónoma a comprender el entorno en el que se encuentra en ese instante. El primero de ellos 3D-Deep y su optimización 3D-Deepest, es una nueva arquitectura de red para la segmentación semántica de carretera en el que se integran fuentes de datos de diferente tipología. La segmentación de carretera es clave en un vehículo autónomo, ya que es el medio por el que debería circular en el 99,9% de los casos. El segundo es un sistema de clasificación de intersecciones urbanas mediante diferentes enfoques comprendidos dentro del metric-learning, la integración temporal y la generación de imágenes sintéticas. La seguridad es un punto clave en cualquier sistema autónomo, y si es de conducción aún más. Las intersecciones son uno de los lugares dentro de las ciudades donde la seguridad es crítica. Los coches siguen trayectorias secantes y por tanto pueden colisionar, la mayoría de ellas son usadas por los peatones para atravesar la vía independientemente de si existen pasos de cebra o no, lo que incrementa de forma alarmante los riesgos de atropello y colisión.

    La implementación de la combinación de ambos sistemas mejora substancialmente la comprensión del entorno, y puede considerarse que incrementa la seguridad, allanando el camino en la investigación hacia un vehículo completamente autónomo.

  • English

    Road topology classification is a crucial point if we want to develop complete and safe autonomous driving systems. It is logical to think that a thorough understanding of the environment surrounding the ego-vehicle, as it happens when a human being is a decision-maker at the wheel, is an indispensable condition if we want to advance in the achievement of level 4 or 5 autonomous vehicles. If the driver, either an autonomous system or a human being, does not have access to the information of the environment, the decrease in safety is critical, and the accident is almost instantaneous, i.e., when a driver falls asleep at the wheel.

    Throughout this doctoral thesis, we present two deep learning systems that will help an autonomous driving system understand the environment in which it is at that instant.

    The first one, 3D-Deep and its optimization 3D-Deepest, is a new network architecture for semantic road segmentation in which data sources of different types are integrated.

    Road segmentation is vital in an autonomous vehicle since it is the medium on which it should drive in 99.9% of the cases. The second is an urban intersection classification system using different approaches comprised of metric-learning, temporal integration, and synthetic image generation. Safety is a crucial point in any autonomous system, and if it is a driving system, even more so. Intersections are one of the places within cities where safety is critical. Cars follow secant trajectories and therefore can collide; most of them are used by pedestrians to cross the road regardless of whether there are crosswalks or not, which alarmingly increases the risks of being hit and collision.

    The implementation of the combination of both systems substantially improves the understanding of the environment and can be considered to increase safety, paving the way in the research towards a fully autonomous vehicle.