Tietokonenäön hyödyntäminen autonomisessa ajoneuvossa

Abstract

Nykypäivänä neuroverkkoja käytetään useilla aloilla, ja niiden suosio on kasvanut kielimallien, kuten ChatGPT:n ansiosta. Neuroverkkoja suositaan niiden oppimiskyvyn takia. Teoreettisesti neuroverkko voi yleistää minkä tahansa funktion, mutta käytännössä laskentateho rajoittaa neuroverkkojen kapasiteettia. Tämä rajoitus vaikuttaa neuroverkkojen käytettävyyteen varsinkin reunalaitteissa, kuten Raspberry Pi 5:ssä, jossa laskentateho on paljon pienempi kuin tavallisissa tietokoneissa. Yksi merkittävä sovelluskohde neuroverkoille on konenäkö, jossa käytetään konvoluutioneuroverkkoja, jotka erikoistuvat visuaalisen datan käsittelyyn. Näitä konvoluutioneuroverkkoja on käytetty monissa tehtävissä, kuten kohteentunnistuksessa, joita sovelletaan esimerkiksi liikennetilanteisiin.

Työn tarkoitus on kouluttaa konenäkömalli pienoismalliautolle, johon on kiinnitetty Raspberry Pi 5 ja AI HAT+ -kiihdytyskortti, joka tehostaa neuroverkkojen suorituskykyä. Konenäkömallin täytyy tunnistaa tien kaistaviivat, 90° käännösviivat ja suojatiet. Malli koulutetaan käyttäen pohjana YOLO11n-mallia. Koulutukseen käytetään Lego-liikennealustasta otettuja kuvia, jotka annotoitiin käsin käyttäen Roboflow-työkalua. Koulutuksen jälkeen malli otetaan käyttöön pienoismalliautossa. Käyttöönotossa käytetään kahta eri muotoa samasta mallista, jotka ovat ncnn- ja HEF-muoto, josta HEF-muoto on AI HAT+ -kiihdytyskortille tarkoitettu muoto. Työn tulokset saadaan vertaamalla näiden muotojen suorituskykyä toisiinsa. Tuloksena saatiin molemmat muodot toimimaan pienoismalliautossa, mutta HEF-muoto toimi selkeästi paremmin. Syynä tähän on se, että HEF-muoto käyttää AI HAT+ -kiihdytyskorttia, jonka laskentateho on suurempi. Lisäksi toisin kuin HEF-muoto, ncnn-muoto kuormittaa Raspberry Pi 5:n suoritinta, joka hoitaa samanaikaisesti myös käyttöjärjestelmän muut taustaprosessit.