Cílem bakalářské práce je analyzovat systémy, které lze použít pro udržení vozidla v jízdním pruhu na základě vizuálního senzoru - kamery. Analýza se skládá z obecného seznámení s tématem, představení jednotlivých přístupů, jejich slabin a relevantních simulátorů a datasetů. Tři hlavní metody jsou teoreticky více rozebrány a dvě z nich jsou implementovány a otestovány v praktické části na simulačním příkladu diferenciálního dvoukolového robota. Jedna je založena na algoritmických metodách zpracování obrazu a druhá na modernějším přístupu segmentace obrazu pomocí neuronové sítě, konkrétně U-Net. V rámci praktické demonstrace dvou zmíněných metod bylo provedeno i jejich srovnání s manuálně vytvořeným vzorem. Hlavním přínosem této práce je analýza přístupů k autonomního řízení na zjednodušené úloze udržení vozidla v jízdním pruhu a seznámení s překážkami v této oblasti.
Anotace v angličtině
This bachelor's thesis aims to analyze systems that can be used for vehicle lane-keeping based on the visual sensor - a camera. The analysis consists of a general introduction to the topic, presentation of individual approaches, their weaknesses and relevant simulators and datasets. Three main methods are theoretically examined in more detail, and two of them are implemented and tested in the practical part of this thesis using a simulation example of a differential two-wheeled robot. One is based on algorithmic image processing methods, and the other one is on more modern approach of image segmentation using a neural network, specifically U-Net. As part of the practical demonstration of these two methods, a comparison was also conducted with a manually created template. The main contribution of this work is the analysis of approaches to autonomous driving in the simplified task of lane-keeping and familiarization with the challenges in this field.
Klíčová slova
autonomní řízení, simulátor, dataset, robot, zpracování obrazu, neuronová síť
Cílem bakalářské práce je analyzovat systémy, které lze použít pro udržení vozidla v jízdním pruhu na základě vizuálního senzoru - kamery. Analýza se skládá z obecného seznámení s tématem, představení jednotlivých přístupů, jejich slabin a relevantních simulátorů a datasetů. Tři hlavní metody jsou teoreticky více rozebrány a dvě z nich jsou implementovány a otestovány v praktické části na simulačním příkladu diferenciálního dvoukolového robota. Jedna je založena na algoritmických metodách zpracování obrazu a druhá na modernějším přístupu segmentace obrazu pomocí neuronové sítě, konkrétně U-Net. V rámci praktické demonstrace dvou zmíněných metod bylo provedeno i jejich srovnání s manuálně vytvořeným vzorem. Hlavním přínosem této práce je analýza přístupů k autonomního řízení na zjednodušené úloze udržení vozidla v jízdním pruhu a seznámení s překážkami v této oblasti.
Anotace v angličtině
This bachelor's thesis aims to analyze systems that can be used for vehicle lane-keeping based on the visual sensor - a camera. The analysis consists of a general introduction to the topic, presentation of individual approaches, their weaknesses and relevant simulators and datasets. Three main methods are theoretically examined in more detail, and two of them are implemented and tested in the practical part of this thesis using a simulation example of a differential two-wheeled robot. One is based on algorithmic image processing methods, and the other one is on more modern approach of image segmentation using a neural network, specifically U-Net. As part of the practical demonstration of these two methods, a comparison was also conducted with a manually created template. The main contribution of this work is the analysis of approaches to autonomous driving in the simplified task of lane-keeping and familiarization with the challenges in this field.
Klíčová slova
autonomní řízení, simulátor, dataset, robot, zpracování obrazu, neuronová síť
Proveďte rešerši v oblasti udržení vozidla v jízdním pruhu.
Zaměřte se jak na algoritmické řešení, tak i na moderní přístupy založené na hlubokém učení.
Proveďte rešerši dostupných datasetů a simulátorů.
Provnejte jednotlivé systémy, respektive přístupy k řešení úlohy.
Implementujte jedno algoritmické řešení a jedno založené na hlubokém učení. Implementace porovnejte.
Zásady pro vypracování
Proveďte rešerši v oblasti udržení vozidla v jízdním pruhu.
Zaměřte se jak na algoritmické řešení, tak i na moderní přístupy založené na hlubokém učení.
Proveďte rešerši dostupných datasetů a simulátorů.
Provnejte jednotlivé systémy, respektive přístupy k řešení úlohy.
Implementujte jedno algoritmické řešení a jedno založené na hlubokém učení. Implementace porovnejte.
Seznam doporučené literatury
McCall, J. C., & Trivedi, M. M. (2006). Video-based lane estimation and tracking for driver assistance: survey, system, and evaluation. IEEE transactions on intelligent transportation systems, 7(1), 20-37.
Tang, J., Li, S., & Liu, P. (2021). A review of lane detection methods based on deep learning. Pattern Recognition, 111, 107623.
Zhang, Y., Lu, Z., Zhang, X., Xue, J. H., & Liao, Q. (2021). Deep learning in lane marking detection: a survey. IEEE Transactions on Intelligent Transportation Systems.
Seznam doporučené literatury
McCall, J. C., & Trivedi, M. M. (2006). Video-based lane estimation and tracking for driver assistance: survey, system, and evaluation. IEEE transactions on intelligent transportation systems, 7(1), 20-37.
Tang, J., Li, S., & Liu, P. (2021). A review of lane detection methods based on deep learning. Pattern Recognition, 111, 107623.
Zhang, Y., Lu, Z., Zhang, X., Xue, J. H., & Liao, Q. (2021). Deep learning in lane marking detection: a survey. IEEE Transactions on Intelligent Transportation Systems.