Segmentação de Imagens por Instâncias e Aprendizagem de Máquinas na Estimação de Distância entre Veículo e Objetos
veículos autônomos, localização, aprendizagem de máquinas, segmentação de imagens
No crescente desenvolvimento de novas tecnologias que visam possibilitar a utilização de carros autônomos em larga escala, a preocupação com a localização do veículo sempre foi uma dor latente. Nos últimos anos, vê-se um aumento nos estudos associados ao uso de câmeras com técnicas de visão computacional a fim de reconhecer e mapear o ambiente para aprimorar a precisão na tomada de decisão quanto a localização do veículo quando comparado ao uso apenas de GPS e outros sensores como LIDAR. O objetivo deste trabalho é propor um algoritmo que aplique técnicas de predição de distâncias para calcular a distância entre o veículo posicionado com uma câmera e marcos no ambiente ao qual ele será submetido. Para isso, serão empregadas técnicas de visão computacional para detecção dos marcos e em seguida será feita a segmentação dos objetos de forma a incrementar a percepção do algoritmo quanto ao ambiente. Para o desenvolvimento do algoritmo de predição, será considerado um banco de dados real com aproximadamente 8000 amostras coletadas em campo na Universidade de Waterloo (Canadá) por meio de um veículo autônomo instrumentado. Foi escolhida a linguagem Python por possibilitar a união de bibliotecas que abrangem diversas áreas do conhecimento e implementação de um algoritmo capaz de ser aplicado em tempo real. Espera-se que este estudo seja capaz de avaliar e utilizar as bibliotecas YOLO (You Only Look Once) v8 e SAM (Segment Anything) para fornecer os dados de entrada que serão relacionados a estimação da distância a partir de técnicas de aprendizado de máquinas com o modelo GPR (Gaussian Process Regression).