Τα αυτόνοµα οχήµατα αυξάνονται στους δρόµους των πόλεων διαρκώς. Όλο και περισσότερες εταιρείες επενδύουν στην ανάπτυξη αλγορίθµων που δίνουν τη δυνατότητα στο χρήστη να βασιστεί σε συστήµατα µε ευφυΐα για την αποφυγή ατυχηµάτων, το παρκάρισµα του οχήµατος ή ακόµα και για τη συνολική πλοήγηση του από ένα σηµείο εκκίνησης σε ένας προορισµό. Οι αδυναµίες του οδηγού όπως είναι η κόπωση, η συναισθηµατική οδήγηση, η παϱάβαση κανονισµών και τα αργά αντανακλαστικά οδηγούν πολύ συχνά σε ατυχήµατα. Τα γρήγορα αντανακλαστικά των αυτόνοµων οχηµάτων καθώς και η τήρηση των κανόνων σύµφωνα µε την υπάρχουσα βιβλιογραφία υπόσχονται δραµατική µείωση αυτών. Για το λόγο αυτό η αγορά στρέφεται προς τα αυτόνοµα οχήµατα. Για να επιτευχθεί αυτό, τα οχήµατα εξοπλίζονται µε αισθητήρες που µπορούν να παρέχουν ποικίλες πληροφορίες για τις συνθήκες του περιβάλλοντος τους. ∆ίνεται λοιπόν µια νέα δυνατότητα στην αυτοκίνηση να αλληλεπιδράσει µε πληροφορίες του οδικού δικτύου που δεν υπήρχαν προγενέστερα. Ένα επιπλέον ερευνητικό πεδίο που αναπτύσσεται µε την αύξηση των αυτόνοµων οχηµάτων είναι η εν γένει επικοινωνία τους µε το διαδίκτυο (το δίκτυο των οχηµάτων IoV) και τα παρακλάδια που προκύπτουν από αυτό. Σηµαντικότερη αναφορά είναι η επικοινωνία οχηµάτων µεταξύ τους (όχηµα προς όχηµα-V2V), στην οποία ένα όχηµα ενηµερώνει τα υπόλοιπα οχήµατα για τις προδιαθέσεις τους ως προς την κίνησή του ή για συµβάντα που ενώ είναι σηµαντικά µπορεί να αποκρύπτονται λόγω οπτικής γωνίας για τα υπόλοιπα οχήµατα. Η παρούσα διπλωµατική επικεντρώνεται στην επικοινωνία του οχήµατος µε τις υποδοµές του οδικού δικτύου (όχηµα προς την υποδοµή-V2I). Συγκεκριµένα οι πληροφορίες που συλλέγονται αποστέλλονται από κάθε όχηµα αποµονωµένα σε έναν κεντρικό εξυπηϱετητή. Εκεί, αφού επεξεργαστούν, µπορούν να αποσταλούν στους χρήστες του δικτύου ως χρήσιµη πληροφορία για την πλοήγηση των οχηµάτων στο οδικό δίκτυο. Οι εφαρµογές µεγάλου πλήθους πηγών (Crowd Sourcing-CS) µε γνωστότερη αυτή της Google Maps που καταγράφει σε πραγµατικό χρόνο την κίνηση στο οδικό δίκτυο έρχονται να ορίσουν κάποιες τεχνικές για την αποτελεσµατική διασύνδεση µιας πηγής µε τον εξυπηρετητή. Οι τεχνικές αφορούν το µέγεθος της πληροφορίας που κάθε µεµονωµένη πηγή πρέπει να στείλει, τους τρόπους και τη δοµή µε την οποία η πληροϕορία επεξεργάζεται, την ασφάλεια των δεδοµένων των χρηστών και την ευρωστία του συστήµατος ως προς εσφαλµένες πηγές. Στην παρούσα διπλωµατική χρησιµοποιούµε τεχνικές CS σε αυτόνοµα οχήµατα για τη δηµιουργία επιπέδων πληροφορίας στον χάρτη (GIS Layers). Συγκεκριµένα εξάγουµε από τον αισθητήρα LiDAR την πληροφορία για το πού υπάρχουν ελεύθερες θέσεις ή παρκαρισµένα οχήµατα και ενηµερώνουµε τους χρήστες σε πραγµατικό χρόνο για τη διαθεσιµότητα των θέσεων. Η υλοποίηση πραγµατοποιήθηκε µε τη χρήση του προσοµοιωτή CARLA που προσοµοιώνει ένα αστικό περιβάλλον. Χρησιµοποιήθηκε το οικοσύστηµα του ROS µε υλοποίηση σε γλώσσα python για την επεξεργασία των αισθητήρων των µεµονωµένων οχηµάτων. Οι επεξεργασµένες πληροφορίες αποστέ

1. 1
Τεχνικές Πληθοπορισμού σε Αυτόνομα Οχήματα για τη Δημιουργία Επιπέδων
στο Σύστημα Γεωγραφικών Πληροφοριών βασισμένων στο διαδίκτυο
12/07/2022
Τεχνικές Πληθοπορισμού
σε Αυτόνομα Οχήματα
για τη δημιουργία Επιπέδων
στο Σύστημα Γεωγραφικών Πληροφοριών
βασισμένων στο διαδίκτυο
Διπλωματική Εργασία
Εκπόνηση:
Βαφειάδης Γεώργιος
Α.Ε.Μ.: 8565
Επίβλεψη:
Αν. Καθηγητής Ανδρέας Συμεωνίδης
Μεταδιδακτορικός ερευνητής
Εμμανουήλ Τσαρδούρλιας

2. 2
Τεχνικές Πληθοπορισμού σε Αυτόνομα Οχήματα για τη Δημιουργία Επιπέδων
στο Σύστημα Γεωγραφικών Πληροφοριών βασισμένων στο διαδίκτυο
12/07/2022
2.
Εισαγωγή
• Συλλογή Δεδομένων από μεγάλο πλήθος διασυνδεμένων πηγών
• Κινητά, οχήματα, έξυπνες συσκευές
• Ευρωστία, ασφάλεια, αξιοπιστία πληροφοριών
• Ετεροδεκτικοί αισθητήρες
• Διασύνδεση στο διαδίκτυο
• Ύπαρξη προοπτικής γιγάντωσης του πληθυσμού τους
• Δημιουργία ανεξάρτητων επιπέδων δεδομένων στον χάρτη
• Ροή κυκλοφορίας, θέσεις στάθμευσης, στάσεις λεωφορείων
Πληθοπορισμό
ς
Αυτόνομα
Οχήματα
Επίπεδα στο
Σύστημα
Γεωγραφικών
Πληροφοριών

3. 3
Τεχνικές Πληθοπορισμού σε Αυτόνομα Οχήματα για τη Δημιουργία Επιπέδων
στο Σύστημα Γεωγραφικών Πληροφοριών βασισμένων στο διαδίκτυο
12/07/2022
3.
Σκοπός
Υλοποίησης
Δημιουργία πλήρους αλγοριθμικής προσθήκης
σε αυτόνομα οχήματα
Εύρεση διαθέσιμων θέσεων στάθμευσης
Δημιουργία επίπεδου πληροφορίας στον χάρτη
Χρήση αισθητήρων οδομετρίας και LiDAR
Μέριμνα για τη διόγκωση του πλήθους χρηστών (Εξυπηρετητής)
Μέριμνα για κατανάλωση υπολογιστικών πόρων

4. 4
Τεχνικές Πληθοπορισμού σε Αυτόνομα Οχήματα για τη Δημιουργία Επιπέδων
στο Σύστημα Γεωγραφικών Πληροφοριών βασισμένων στο διαδίκτυο
12/07/2022
4.
Μεθοδολογία
Οδομετρία
Αισθητήρες
 Encoder
 INS
 GNSS
 Κάμερα
 robot_localization
(ROS)
 Viso2 (ROS): Οπτική
οδομετρία
 Φιλτράρισμα GNSS
Αλγόριθμοι
Σκοπός
 Εντοπισμός θέσης χωρίς χάρτη
 Σφάλματα μικρότερα των 4
μέτρων
 Επηρεάζει άμεσα την ακρίβεια
των επόμενων σταδίων

5. 5
Τεχνικές Πληθοπορισμού σε Αυτόνομα Οχήματα για τη Δημιουργία Επιπέδων
στο Σύστημα Γεωγραφικών Πληροφοριών βασισμένων στο διαδίκτυο
12/07/2022
4.
Μεθοδολογία
Σφάλματα
Οδομετρίας
1m X 1m 3m x 3m
20 Km/h 0.812 m. 1.251 m.
36 Km/h 1.374 m. 2.164 m.
Τυπική απόκλιση
GNSS
Ταχύτητα
1. 20Km/h & 1m X
1m
3. 36Km/h & 1m X
1m
2. 20Km/h & 3m X
3m
4. 36Km/h & 3m X
3m
Μέσα σφάλματα
1 όχημα
12 λεπτά
Προσομοιωτής Carla

6. 6
Τεχνικές Πληθοπορισμού σε Αυτόνομα Οχήματα για τη Δημιουργία Επιπέδων
στο Σύστημα Γεωγραφικών Πληροφοριών βασισμένων στο διαδίκτυο
12/07/2022
4.
Μεθοδολογία
Εντοπισμός ελεύθερων
θέσεων στάθμευσης
Αισθητήρας
 LiDAR
 10 Hz
 Δυο διαστάσεων
 Κατακόρυφα προσανατολισμένος
 Ανάλυση στιγμιότυπου LiDAR (εύρεση ακμών)
 Συνένωση στιγμιότυπων (μετρικές μήκους
οχημάτων)
 Αιτιολόγηση παρεμβολών ή πολλαπλών οντοτήτων
Στάδια αλγορίθμου
Σκοπός
 Εύρεση σταθμευμένων
 Ορισμός επιτρεπόμενων
θέσεων στάθμευσης μέσω του
πληθοπορισμού
 Η απουσία σταθμευμένου από
επιτρεπόμενη θέση ορίζει μια
ελεύθερη θέση
προδιαγραφή ελάχιστο μέγιστο
Ύψος οχήματος 0.5 m. 2 m.
Ύψος πεζοδρομίου 0.07 m. 0.24 m.
Μήκος οχήματος 3.5 m. 6 m.
Βάθος ανίχνευσης 1.5 m. 10 m.
Βάθος ανίχνευσης
σταθμευμένου (P: πεζούλι)
P – 3 m. P

7. 7
Τεχνικές Πληθοπορισμού σε Αυτόνομα Οχήματα για τη Δημιουργία Επιπέδων
στο Σύστημα Γεωγραφικών Πληροφοριών βασισμένων στο διαδίκτυο
12/07/2022
4.
Μεθοδολογία
Επαλήθευση
σταθμευμένων με οπτικό
εντοπισμό
Σετ εκπαίδευσης 57536 εικόνες
Σετ αξιολόγησης 25923 εικόνες
15 εποχές
Πειράματα
1 όχημα
Συνεργασία Αλγορίθμων
(Αιτιοκρατικός –
Νευρωνικό)
20 λεπτά
86%
14%
YOLO
ισχυρός εντοπισμός
μικρής βεβαιότητας
58%
42%
YOLO-TINY
ισχυρός εντοπισμός
μικρής βεβαιότητας
Darknet yolo-v3 & yolo-v3 tiny

8. 8
Τεχνικές Πληθοπορισμού σε Αυτόνομα Οχήματα για τη Δημιουργία Επιπέδων
στο Σύστημα Γεωγραφικών Πληροφοριών βασισμένων στο διαδίκτυο
12/07/2022
4.
Μεθοδολογία
Ομαδοποίηση σημείων
εντοπισμού σταθμευμένων (1/2)
Εντοπισμοί πολλαπλών οχημάτων &
Ομαδοποίηση
Εκτελείται στον
εξυπηρετητή
Παράγει κέντρα επιτρεπόμενων θέσεων στάθμευσης
Ομαδοποίηση με χρήση Μοντέλου
Γκαουσιανών μειγμάτων
Κριτήριο: μέγιστο Silhouette & μέγιστη
διακύμανση μικρότερη των 4 m.
Χρονοβόρα η εύρεση του κατάλληλου
αριθμού ομάδων

9. 9
Τεχνικές Πληθοπορισμού σε Αυτόνομα Οχήματα για τη Δημιουργία Επιπέδων
στο Σύστημα Γεωγραφικών Πληροφοριών βασισμένων στο διαδίκτυο
12/07/2022
4.
Μεθοδολογία
Ομαδοποίηση σημείων
εντοπισμού σταθμευμένων (2/2)
Μέριμνα απόκρισης πραγματικού χρόνου
Η βάση ανανεώνεται με νέο στίγμα ανά 1.2
δευτερόλεπτα
Άπληστη αναζήτηση αριθμού ομάδων στην έναρξη του
αλγορίθμου (από nmap = 2 ως nmap = αριθμός
στιγμάτων)
Αναζήτηση αριθμού ομάδων για κάθε νέο
σημείο
Αναζήτηση στο
σύνολο του
χάρτη
Αναζήτηση τοπικά
γύρω από το νέο
σημείο
Δημιουργία παραθύρου
nmap-1, nmap, nmap+1
Εφαρμογή κριτηρίου
Silhouette &
διακύμανση
Λήψη των 2 κοντινότερων
ομάδων γύρω από το νέο σημείο
Αναζήτηση Silhouette
για nlocal = 1, nlocal = 2 ,
nlocal=3
Αν nlocal=1 τότε nmap = nmap – 1
Αν nlocal=2 τότε nmap = nmap
Αν nlocal=3 τότε nmap = nmap + 1

10. 10
Τεχνικές Πληθοπορισμού σε Αυτόνομα Οχήματα για τη Δημιουργία Επιπέδων
στο Σύστημα Γεωγραφικών Πληροφοριών βασισμένων στο διαδίκτυο
12/07/2022
5.
Αποτελέσματα
Εντοπισμός Σταθμευμένων
5 ελεγκτές
136 σταθμευμένα
20 Km/h
Μέσο
σφάλμα
εντοπισμού
Ποσοστό
Εύρεσης
1.08 m. 94.7%
1.01 m. 97.8%
1.02 m. 98.3%
1.21 m. 96.1%
1.25 m. 96.6%
1.12 m. 95.3%
GNSS
μεγάλη
ακρίβεια
GNSS
μικρή
ακρίβεια
πειράματα
15 λεπτά
Αιτιοκρατικός
αλγόριθμος
μόνο

11. 11
Τεχνικές Πληθοπορισμού σε Αυτόνομα Οχήματα για τη Δημιουργία Επιπέδων
στο Σύστημα Γεωγραφικών Πληροφοριών βασισμένων στο διαδίκτυο
12/07/2022
5.
Αποτελέσματα
Εντοπισμός ελεύθερων θέσεων
5 ελεγκτές
105 σταθμευμένα
20 Km/h
15 λεπτά
31 ελεύθερες
θέσεις
Προηγήθηκε ο εντοπισμός των
σταθμευμένων
Free Slots experiment results for GNSS with std Deviation
1mX1m
Free Slots experiment results for GNSS with std Deviation
3mX3m

12. 12
Τεχνικές Πληθοπορισμού σε Αυτόνομα Οχήματα για τη Δημιουργία Επιπέδων
στο Σύστημα Γεωγραφικών Πληροφοριών βασισμένων στο διαδίκτυο
12/07/2022
6.
Συμπεράσματα
Όχημα
Οικονομία των πόρων με αιτιοκρατικό
αλγόριθμο
Πολλοί χρήστες έναντι ακρίβειας αισθητήρων
Επίπεδο ελεύθερων θέσεων στάθμευσης στο QGIS
Ικανοποιητικά αποτελέσματα με μικρό
ποσοστό του πλήθους
Μικρό μέγεθος πληροφορίας VS δύσκολη
επεξεργασία
Πληθοπορισμός & Διαδίκτυο
Τμηματική αντιμετώπιση μεγάλων χαρτών
Λάθος εντοπισμός επιτρεπόμενων θέσεων
Προκαλεί μεγαλύτερο σφάλμα στην έκδοση
των ελεύθερων θέσεων

13. 13
Τεχνικές Πληθοπορισμού σε Αυτόνομα Οχήματα για τη Δημιουργία Επιπέδων
στο Σύστημα Γεωγραφικών Πληροφοριών βασισμένων στο διαδίκτυο
12/07/2022
7.
Μελλοντικές
Επεκτάσεις
Βελτιώσεις
Συνένωση αιτιοκρατικού αλγόριθμου με
οπτικό εντοπισμό (νευρωνικό δίκτυο)
Αξιολόγηση εισερχόμενων δεδομένων
Επίπεδο ελεύθερων θέσεων στάθμευσης στο QGIS
Συνένωση ανεξάρτητων τμημάτων χάρτη
πόλης
Περιοδική ανανέωση αλγορίθμου
εξυπηρετητή

14. 19
Τεχνικές Πληθοπορισμού σε Αυτόνομα Οχήματα για τη Δημιουργία Επιπέδων
στο Σύστημα Γεωγραφικών Πληροφοριών βασισμένων στο διαδίκτυο
12/07/2022
Ευχαριστώ για την προσοχή
σας!
Ερωτήσεις;