008240612s2023      us  |||||||||||||||c||eng  d
■001000016934812
■00520240214101656
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380576970
■035    ▼a(MiAaPQ)AAI30635028
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.8
■1001  ▼aPaz  Ruiz,  David.
■24510▼aMapping  and  Planning  for  Autonomous  Vehicles  in  Dynamic  Urban  Settings▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  California,  San  Diego.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(101  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-04,  Section:  B.
■500    ▼aAdvisor:  Christensen,  Henrik  I.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  San  Diego,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aIn  highly  dynamic  urban  environments,  software  stacks  for  autonomous  driving  applications  must  quickly  adapt  to  fast  changing  environments.  Examples  of  dynamic  scenarios  include  construction  sites,  road  closures,  and  lane  level  updates.  Failure  to  adapt  to  changes  in  map  definitions  can  result  in  catastrophic  failures  in  the  system  that  can  lead  to  accidents  or,  at  best,  rule  violations  in  shared  public  roads.  This  work  focuses  on  identifying  strategies  that  leverage  automatically  generated  map  representations  to  minimize  human-in-the-loop  efforts  and  explores  methods  for  integrating  nominal  planners  in  the  global  planning  task.  The  first  part  of  this  dissertation  covers  multi-class  semantic  mapping  for  large  scale  urban  driving  applications.  As  part  of  this  framework,  sensor  fusion  based  strategies  are  applied  to  provide  robust  depth  and  semantic  estimates  from  the  scene  without  making  strong  assumptions  about  the  road  topology.  Secondly,  rasterized  and  graphical  representations  are  jointly  leveraged  to  formulate  a  nominal  global  planning  approach  for  lane-level  navigation.  This  method  utilizes  the  semantic  maps  introduced  and  employs  a  conditional  generative  model  to  explicitly  model  the  multi-modal  distribution  of  trajectories  that  are  feasible  when  driving  in  an  urban  setting.  We  additionally  provide  details  from  real-world  testing  and  the  open-source  data  collected  from  the  UC  San  Diego  campus  during  2020-2021.  In  the  last  chapter,  2D  and  3D  centerline  prediction  methods  are  introduced  to  reduce  the  gap  in  real-time  scene  understanding.  This  contribution  outlines  an  automatic  label  generation  process  and  additionally  leverages  an  occlusion  handling  approach  to  reason  about  centerline  prediction  with  varying  degrees  of  occlusion.  The  methods  proposed  achieve  robust  performance  in  diverse  driving  scenarios  with  promising  directions  in  autonomous  driving  architectures.
■590    ▼aSchool  code:  0033.
■650  4▼aRobotics.
■650  4▼aComputer  science.
■653    ▼aAutonomous  driving
■653    ▼aComputer  vision
■653    ▼aGenerative  models
■653    ▼aMachine  learning
■653    ▼aPlanning
■653    ▼aSemantic  scene  understanding
■690    ▼a0771
■690    ▼a0800
■690    ▼a0984
■71020▼aUniversity  of  California,  San  Diego▼bComputer  Science  and  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-04B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0033
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16934812▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024