Deep Learning und Computer Vision - Entwicklung eines kamerabasierten Fahrassistenzsystems für einspurige Kraftfahrzeuge auf Basis des nVIDIA Jetson TX2

Die Arbeit beschreibt die Implementierung eines kamerabasierten Fahrerassistenzsystem für einspurige Kraftfahrzeuge. Dies stellt eine Neuheit dar, da es zum aktuellen Zeitpunkt kein derartiges System am Markt gibt. Konkret wurden folgende Features näher erforscht: Effizienzsteigerung durch Echtzeitanalyse der Fahrsituation Gefahrenerkennung beim Durchschlängeln in Stausituationen mit dem Motorrad Notbremsassistent Kurvenfahrassistent (Warnung bei nicht optimaler Fahrlinie) Da ein Fahrerassistenzsystem mehr Sicherheit in den Straßenverkehr bringen soll, deckt sich diese Anforderung auch mit der vorhandenen Unfallstatistik. Die meisten Motorradunfälle sind selbst verschuldet und ein kamerabasierte System könnte dabei helfen, Gefahren durch Überschätzung oder Ablenkung aufzuzeigen. Ermöglicht wurden die Funktionen mittels Deep Learning und Computer Vision. Da es sich bei der Zielplattform um einen nVIDIA Jetson TX2 handelt, wurde auf das nVIDIA Framework zurückgegriffen. Dies besteht aus dem Deep Learning Server DIGITS sowie dem OpenCV Framework, welches Speziell für die Hardware angepasst wurde. Die Ergebnisse zeigen, dass die Objekterfassung trotz Schräglagen funktioniert, allerdings man wesentlich mehr Datenmodelle benötigt, sowie spezielle Algorithmen für das Motorradfahren verwenden müsste. Ebenso sollten nicht nur Kameradaten, sondern auch weitere Umgebungsdaten aus mehreren Quellen (GPS,) bezogen werden. Speziell bei der Kurvenfahranalyse müssen Parameter in Echtzeit generiert werden. Eine Kamera alleine reicht nicht aus, um die angestrebten Features zu hundert Prozent abzudecken. Erst mit dem Einsatz von GPS Daten, LIDAR, RADAR und Gyro Sensoren kann eine sichere Funktion wahrscheinlich gewährleistet werden. All dies zeigt, dass es im Fahrassistenz Bereich für einspurigen Kraftfahrzeugen enormes Potential gibt.The thesis describes the implementation of a camera-based driver assistance system for single-track motor vehicles. This is a novelty, as there is currently no such system on the market. Specifically, the following features were explored: Optimum energy management through real-time analysis of the driving situation Hazard detection when combing through in traffic jam situations with the motorcycle Emergency Brake Assist Cornering assistant (warning in case of not optimal driving line) Since a driver assistance system should bring more safety into the road, this requirement also coincides with the existing accident statistics. Most motorcycle accidents are self-inflicted, and the camera-based system could help identify overestimation or distraction. The functions were made possible by Deep Learning and Computer Vision. Since the target platform is an nVIDIA Jetson TX2, the nVIDIA framework was used. This consists of the Deep Learning Server DIGITS and the OpenCV Framework, which has been specially adapted for the hardware. The results show that object detection works even at proper lean angle, but one would have to use much more data models, as well as special algorithms for motorcycling. In addition to the camera input, other data should be obtained from multiple sources (GPS,..). Especially during the cornering analysis, parameters must be dynamically generated in real time. A camera alone is not enough to cover the analyzed features one hundred percent. Only with the use of GPS data, LIDAR, RADAR and gyroscopic sensors, the functions can be guaranteed. Single-track motor vehicles show enormous potential in the field of driver assistancevorgelegt von: Enzo ForaboscoWien, FH Campus Wien, Masterarb., 2019(VLID)335839