Stochastic future prediction in real world driving scenarios
Başlık çevirisi mevcut değil.
- Tez No: 779206
- Danışmanlar: DR. ÖĞR. ÜYESİ FATMA GÜNEY
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Bilgisayarlı görüntüleme, Gelecek tahmini, Otonom sistemler, Yapay zeka, Computer imaging, Future guess, Autonomous systems, Artificial intelligence
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Koç Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Belirsizlik gelecek tahmininde çok kritik bir rol oynamaktadır. Gelecek belirsizdir ve bu birçok gelecek ihtimali olduğunu gösterir. Bir gelecek tahmini yöntemi güvenilir olabilmek için bütün ihtimalleri kapsamalıdır. Otonom sürüşte emniyet açısından kritik kararlar verebilmek için tüm modları kapsamak aşırı derecede önemlidir. Bilgisayarlı görü yöntemleri son yıllarda çok hızlı şekilde ilerse de gelecek tahmini hala zor olmaya devam etmektedir. Bu zorluklardan birkaç tanesi geleceğin belirsizliği, tüm sahnenin anlaşılmasının gerekliliği ve piksellerin gürültülü olmasıdır. Bu tezde, bu problemlere hareket bilgisini modelleyerek ve zamansal dinamikleri öğrenerek çözümler sunuyoruz. İlk olarak, sahnedeki gelecek bilgisinin açık bir şekilde işlenmesini sunarak video alanında gelecek tahmini yöntemi yapan bir yöntem sunuyoruz. Bu yöntem görünüşü ve hareketi ayrı ayrı modelleyerek sahnenin durağan ve hareketli kısımlarını ayırmaktadır. Bu sayede piksellerin gürültülü uzayından kaçarak hareket bilgisiyle tahmin yapmak mümkün olmuştur. Bu yöntemin kazançlarını detaylı bir şekilde göstermekteyiz. İkinci olarak, sahneyi 3 boyutlu yapı ve artakalan hareket olacak şekilde ikiye ayırmayı sunuyoruz. Bu ayrışım ile sahnedeki durağan ve hareketli kısımları ayrı ayrı modelleyebiliyoruz. Durağan kısımlar 3 boyutlu yapıyla ve hareketli kısımlar ise artakalan hareket bilgisiyle tahmin edilmektedir. Artakalan hareket için önce 3 boyutlu yapıdaki hareketi tahmin edip bu hareket üstüne koşullanarak tahmin yapılmaktadır. Bu ayrışımın ve koşullanmanın etkilerini detaylı bir şekilde göstermekteyiz. Son olarak, kompakt gösterimden etkilenerek, gelecek tahmini problemini kuşbakışı uzaya taşımayı sunuyoruz. Yeni bir formulasyon kullanarak gelecek tahmininden ziyade gelecek durum tahmini yapmanın problemi daha da kolaylaştıracağını sunmaktayız. Bu amaçla, gelecek bilgisinin kullanıldığı bir dağılım kullanarak daha dağınık ve kurallara uygun yörünge tahminleri yapılmaktadır. Yaptığımız detaylı deneyler ile bu yöntemin daha gerçekçi tahminler yaptığı gösterilmiştir.
Özet (Çeviri)
Uncertainty plays a key role in future prediction. The future is uncertain. That means there might be many possible futures. A future prediction method should cover the whole possibilities to be robust. In autonomous driving, covering multiple modes in the prediction part is crucially important to make safety-critical decisions. Although computer vision systems have advanced tremendously in recent years, future prediction remains difficult today. Several examples are uncertainty of the future, the requirement of full scene understanding, and the noisy outputs space. In this thesis, we propose solutions to these challenges by modeling the motion explicitly in a stochastic way and learning the temporal dynamics in a latent space. Firstly, we propose to use the motion information in the scene in stochastic video prediction. By separately modeling the appearance of the scene and the motion in the scene, the static and the dynamic parts are partitioned. The dynamic part is predicted by the explicit motion. Since the motion is predicted, the noisy pixel space is not used. We demonstrate the benefits of using the motion information scene explicitly. Secondly, we propose to separate the scene into the 3D structure and the motion, which correspond to static and dynamic parts, in video prediction in driving scenarios. The static part is handled by the 3D structure and the motion of the ego-vehicle, whereas the dynamic part is handled by the remaining motion in the scene. The remaining motion is captured by explicitly conditioning the dynamic part on top of the static one. We demonstrate the improvements of the conditioning and structure-aware separation. Finally, motivated by the compact representation, we propose a method for stochastic future prediction in Bird's-Eye View representation. Using a new formulation, we approach the problem as a state prediction rather than a trajectory prediction. For that purpose, we choose to use more powerful label-aware latent variables to generate more diverse and admissible future trajectories. Extensive evaluations show that both the diversity and the accuracy of the future trajectories significantly improved, especially in challenging cases of spatially far regions and temporally long spans.
Benzer Tezler
- Uyarlamalı araç takip sistemlerinde model öngörülü kontrol yöntemleri: Karşılaştırmalı bir çalışma
Model predictive control approaches for adaptive cruise control systems: A comparative study
UMUT KARAPINAR
Yüksek Lisans
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. AFİFE LEYLA GÖREN
- Elektrik enerji iletim şebekelerinin optimal genişletme planlaması
Optimal expansion planning of power transmission networks
NAZİF HÜLAGÜ SOHTAOĞLU
Doktora
Türkçe
1994
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiPROF.DR. NESRİN TARKAN
- Energy efficient base station deployment in ris-assisted next-generation hetnets
Rıs-destekli yeni nesil heterojen ağlarda enerji verimli baz istasyonu yerleşimi
MİNE ARDANUÇ
Doktora
İngilizce
2026
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. LÜTFİYE DURAK ATA
DR. MEHMET BAŞARAN
- Akıllı şebekelerde makine öğrenmesi teknikleriyle kısa dönem rüzgâr hızı tahmini: Kocaeli-Türkiye örneği
Short–term wind speed forecasting in smart grids with machine learning techniques: A case study in Kocaeli-Türkiye
MAYSA GAIDOUM AHMED GAIDOUM
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. YILMAZ UYAROĞLU
- Makine öğrenmesi tabanlı akıllı şehir çözümleri: Bina türü tanıma, su tüketimi öngörüsü ve sızıntı tespiti
Machine learning-based smart city solutions: Building type identification, water consumption forecasting, and leak detection
RAUF YASİN
Doktora
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEÇKİN ARI