Guida Autonoma con MATLAB

Giorno 1

Assegnazione di Label a Dati Empirici di Campo (Ground Truth)

Obiettivo: Etichettare interattivamente i dati empirici di campo (ground truth) in un video o una sequenza di immagini. Automatizzare l’etichettatura con algoritmi di rilevamento e tracciamento.

• Panoramica dell'app Ground Truth Labeler
• Etichettare regioni di interesse (ROI) e scene
• Automatizzare l’etichettatura
• Visualizzare ed esportare i risultati di campo

Visualizzazione dei Dati dei Sensori

Obiettivo: Visualizzare i frame di una videocamera, rilevamenti radar e LiDAR. Usare sistemi appropriati di coordinate per trasformare coordinate immagine in coordinate veicolo e viceversa.

• Creare un plot con vista aerea (bird's-eye)
• Plottare le aree di copertura di un sensore
• Visualizzare rilevamenti e corsie
• Convertire da coordinate veicolo a coordinate immagine
• Annotare video con rilevamenti e limiti di corsia

Rilevamento di Veicoli e Corsie

Obiettivo: Segmentare e modellare limiti di corsia parabolici. Usare rilevatori di oggetti pre-addestrati per rilevare veicoli.

• Eseguire una trasformazione della visualizzazione aerea
• Rilevare le caratteristiche di una corsia
• Calcolare un modello di corsia
• Convalidare un rilevamento di corsia con dati di campo
• Rilevare veicoli con rilevatori di oggetti pre-addestrati

Elaborazione di Cloud di Punti Ottenuti dalla Scansione LiDAR

Obiettivo: Utilizzare dati LiDAR memorizzati come nuvole di punti 3D. Importare, visualizzare ed elaborare cloud di punti segmentandole nei cluster. Registrare cloud di punti per allinearli e creare una mappa di quelli acquisiti.

• Importare e visualizzare cloud di punti
• Pre-elaborare cloud di punti
• Segmentare gli oggetti partendo dai dati dei sensori LiDAR
• Creare una mappa partendo dai dati dei sensori LiDAR

Giorno 2

Tracciamento e Rilevamenti dei Sensori di Fusione

Obiettivo: Creare un tracker multi-oggetto per fondere le informazioni ottenute da più sensori come fotocamera, radar e LiDAR.

• Tracciare oggetti multipli
• Pre-elaborare i rilevamenti
• Utilizzare i filtri di Kalman
• Gestire oggetti multipli
• Tracciare con il tracker multi-oggetto

Tracciamento di Oggetti di Grandi Dimensioni

Obiettivo: Creare un tracker di tipo Probability Hypothesis Density (PHD) per tracciare gli oggetti di grandi dimensioni e stimarne l'estensione spaziale.

• Definire le configurazioni dei sensori
• Tracciare oggetti di grandi dimensioni
• Fare una stima dell'estensione spaziale

Generazione di Scenari di Guida e Modellazione dei Sensori

Obiettivo: Creare scenari di guida ed effettuare rilevamenti sintetici tramite sensori di fotocamere e radar in modo interattivo per testare gli algoritmi di percezione per la guida autonoma.

• Panoramica dell'app Driving Scenario Designer
• Creare scenari con strade, attori e sensori
• Simulare e visualizzare scenari
• Effettuare rilevamenti ed esportare scenari
• Testare gli algoritmi con gli scenari