Visual Object Detector for Vehicle Teleoperation Applications

• Main Author: Kinuthia, Charles
• Format: Others
• Language: English
• Published: KTH, Skolan för elektroteknik och datavetenskap (EECS) 2020
• Subjects: Computer and Information Sciences; Data- och informationsvetenskap
• Online Access: http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-276857

Self-driving vehicles have recently gained attention from vehicle manufacturers due breakthrough in machine learning and AI algorithms. One of the areas that has sparked interest is the improved perception of vehicles by employing accurate real-time object detectors aided by the fast computing resources available. As more vehicles become autonomous, there will be a need to monitor and remotely control vehicles to handle edge case scenarios that are difficult to automate or foresee. This would require streaming of video from the vehicle to a teleoperator driver. Due to network degradation caused by bandwidth fluctuations and handover operations, streaming of the video is not enough. One can improve the experience of teleoperators by highlighting detected objects in the visual scene such as vehicles and pedestrians. The main contribution of this thesis work is a realtime visual object detector that has comparable accuracy to Faster R-CNN. Furthermore, the proposed detector is modular meaning that retraining of the entire model is not required to detect new types of object classes. Finally, the detector is tested on a video with network degradation artifacts to assess it’s performance. === Självkörande bilar har fångat intressen av biltillverkarna på grund av genombrott inom maskinlärning och AI algorithmer. En av de områden som har väckt intressen är förbättrat igenkännande av bilar genom att använda nogrann realtids objektdetektor. Som är föld av att mer fordon blir självkörande öka behovet att övervaka och fjärrstyra fordon. Detta för att kunna hantera speciella fall som är svåra att automatisera eller förutse. Detta kräver sändning av video från fordon till fjärrförare. På grund av nätverk problem som orsakas av bandbredd fluktuationer, räcker inte det att bara skicka video. Man kan förbettra körupplevelsen av fordonkörare genom att markera objekt som till exempel fordon och personer. Huvudbidragen av examensarbetet är en realtids objekt detektor som har jämförbar noggrannhet med Faster R-CNN. Det föreslagna detektorn är modulär och medför att man behöver inte träna om hela modelen om man lägger in en ny typ av objekt klass. I slutändan testas detektorn på en video med artifakter for att bedöma prestandan.