Modelagem multivariada da incerteza preditiva de modelos de aprendizado profundo para predição de trajetória de pedestres aplicados a câmeras móveis acopladas a veículos autônomos (2023)
- Authors:
- Autor USP: CASTRO, AUGUSTO RIBEIRO - EESC
- Unidade: EESC
- Sigla do Departamento: SEL
- DOI: 10.11606/D.18.2023.tde-23012024-145624
- Subjects: MODELOS DE APRENDIZAGEM; CIRCULAÇÃO DE PEDESTRES; VEÍCULOS AUTÔNOMOS; PREDIÇÃO; SEGURANÇA DE TRÁFEGO
- Keywords: Aprendizado profundo; Estimativa de incerteza; Predição de trajetória de pedestres
- Agências de fomento:
- Language: Português
- Abstract: É esperado que veículos autônomos (VAs) substituam motoristas humanos com expetativa de melhorias de segurança e de operação. Como pedestres são os usuários mais vulneráveis das rodoviais, os veículos autônomos têm o dever de prestar atenção especial a esses agentes para mitigar o número de acidentes de trânsito que os envolvem. A literatura recente em percepção de VAs apresenta métodos focados em predizer o movimento de pedestres tanto antecipando as ações quanto predizendo as futuras trajetórias. Enquanto a primeira pode ser mais fácil de predizer, a última possibilita o VA incorporar conhecimento sobre como o ambiente está prestes a mudar. Essa informação aprimora tarefas vitais para a habilidade de antecipação, como a percepção ativa, planejamento preditivo de trajetória, controle preditivo e interação humano-robô. Entretanto, a aplicação de modelos de aprendizado profundo aumenta a importância de se avaliar a confiabilidade e a eficácia desses modelos antes de utilizá-los na prática, uma vez que as predições obtidas estão sujeitas a ruídos e erros do processo de inferência. Neste trabalho é estudado como treinar um modelo de aprendizado profundo para predizer trajetórias de pedestres e a incerteza preditiva multivariada do modelo com mudanças mínimas na arquitetura. Além disso, são incorporadas condições matemáticas para garantir a estabilidade numérica durante o treinamento. A metodologia proposta aplicada a um modelo baseado em realimentação avaliado no conjunto dedados PIE supera a LSTM Bayesiana, o único modelo neste campo de pesquisa capaz de estimar a própria incerteza das predições. Este trabalho avalia a qualidade da incerteza preditiva obtida nesse experimento para cara trajetória do conjunto de testes utilizando curvas de esparsificação e histogramas bi-dimensionais. A avaliação indica uma correlação forte entre a incerteza preditiva e o erro quadrático médio de cada amostra, garantindo a corretude da metodologia proposta
- Imprenta:
- Publisher place: São Carlos
- Date published: 2023
- Data da defesa: 15.12.2023
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
CASTRO, Augusto Ribeiro. Modelagem multivariada da incerteza preditiva de modelos de aprendizado profundo para predição de trajetória de pedestres aplicados a câmeras móveis acopladas a veículos autônomos. 2023. Dissertação (Mestrado) – Universidade de São Paulo, São Carlos, 2023. Disponível em: https://www.teses.usp.br/teses/disponiveis/18/18153/tde-23012024-145624/. Acesso em: 07 jun. 2024. -
APA
Castro, A. R. (2023). Modelagem multivariada da incerteza preditiva de modelos de aprendizado profundo para predição de trajetória de pedestres aplicados a câmeras móveis acopladas a veículos autônomos (Dissertação (Mestrado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/18/18153/tde-23012024-145624/ -
NLM
Castro AR. Modelagem multivariada da incerteza preditiva de modelos de aprendizado profundo para predição de trajetória de pedestres aplicados a câmeras móveis acopladas a veículos autônomos [Internet]. 2023 ;[citado 2024 jun. 07 ] Available from: https://www.teses.usp.br/teses/disponiveis/18/18153/tde-23012024-145624/ -
Vancouver
Castro AR. Modelagem multivariada da incerteza preditiva de modelos de aprendizado profundo para predição de trajetória de pedestres aplicados a câmeras móveis acopladas a veículos autônomos [Internet]. 2023 ;[citado 2024 jun. 07 ] Available from: https://www.teses.usp.br/teses/disponiveis/18/18153/tde-23012024-145624/ - Octree-based point cloud simulation to assess the readiness of highway infrastructure for autonomous vehicles
- Learning to estimate multivariate uncertainty in deep pedestrian trajectory prediction
- Deep depth completion of low-cost sensor indoor RGB-D using Euclidean distance-based weighted loss and edge-aware refinement
Informações sobre o DOI: 10.11606/D.18.2023.tde-23012024-145624 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas