Análise de alterações temporárias e anormalidades nas estradas para veículos de condução autónoma

Abstract

A condução autónoma tem vindo cada vez mais a ser utilizada como aplicação prática de métodos de Inteligência Artificial, como supervised learning e reinforcement learning. A Inteligência Artificial é uma solução bem conhecida para resolver problemas de condução autónoma mas ainda não está estabelecida e suficientemente estudada para lidar com problemas específicos do mundo real que os seres humanos lidam diariamente, como sinalização temporária de obras nas estradas. Esta é a motivação principal para o desenvolvimento de um sistema como o que é apresentado neste projeto. O YOLOv3-tiny é utilizado para detetar sinais de obras nas estradas em que um veículo circula. O Deep Deterministic Policy Gradient (DDPG) é utilizado para controlar o comportamento do veículo no momento de circulação em zona de sinalização temporária. A segurança dos passageiros e do ambiente ao redor é a regra que mais foi tida em consideração ao longo da implementação do sistema. O YOLOv3-tiny obteve uma accuracy de 94.8% mAP e provou ser viável a sua utilização em situações reais. O DDPG permitiu o sucesso do comportamento de um veículo mais de 50% dos episódios durante os testes, contudo ainda precisa de melhorias para ser utilizado no mundo real para respeitar uma condução segura e preventiva.

Autonomous driving is emerging as a useful practical application of Artificial Intelligence algorithms regarding both supervised learning and reinforcement learning methods. Artificial Intelligence is a well known solution for some autonomous driving problems but it is not yet established and fully researched for facing real world problems regarding specific situations human drivers face every day, such as temporary roadworks and temporary signs. This is the core motivation for the proposed framework in this project. YOLOv3-tiny is used for detecting roadworks signs in the path traveled by the vehicle. Deep Deterministic Policy Gradient (DDPG) is used for controlling the behavior of the vehicle when overtaking the working zones. Security and safety of the passengers and the surrounding environment are the main concern taken into account. YOLOv3-tiny achieved an 94.8% mAP and proved to be reliable in real-world applications. DDPG made the vehicle behave with success more than 50% of the episodes when testing, although still needs some improvements to be transported to the real-world for secure and safe driving.