Deep Learning-Based Real-Time Multiple-Object Detection on a rover.

Deep Learning-Based Real-Time Multiple-Object Detection on a rover. Lo studio mira a implementare attraverso una rete neurale un algoritmo di intelligenza artificiale che riconosca e differenzi diversi tipi di oggetti. L'intelligenza deve essere in grado di classificare un oggetto, parametrizzare lo spazio dell'immagine e permettere il tracciamento di uno di essi per mezzo di una telecamera in tempo reale. In questo progetto si testeranno diversi algoritmi e diversi framework applicati a due reti neurali (YOLO e SSD), al fine di valutare quale di essi è il più affidabile e il più adatto per l'architettura NVIDIA Jetson-Nano. I migliori risultati saranno basati sulla mAP (precisione media media) e la sua velocità in FPS. Le applicazioni di questo progetto sono ideali per un sistema autonomo dotato di una GPU e capace di riconoscere e tracciare oggetti in tempo reale. Infine, sarà implementato un modulo per migliorare le prestazioni del sistema: un modulo di sicurezza, che permette all' automa di proteggersi in certi casi limite. Si analizzano le diverse opzioni in termini di reti utilizzate, cercando anche di ottimizzare l'uso dell'hardware scegliendo l'algoritmo che meglio rispetta il trade??off tra prestazioni e velocità. Il seguente lavoro fa parte di un più ampio progetto di ricerca sostenuto dall'Università Nazionale di Cordoba, chiamato "INTEGRAZIONE DELLA RILEVAZIONE DEGLI OGGETTI NELLE IMMAGINI IN TEMPO REALE NELLA GUIDA AUTONOMA DEL VEICOLO"-"INTEGRACIÓN DE LA DETECCIÓN DE OBJETOS EN IMÁGENES EN TIEMPO REAL EN LA CONDUCCIÓN AUTÓNOMA DE VEHÍCULOS", finalizzato al funzionamento autonomo di un veicolo terrestre di tipo rover e al quale partecipano i direttori di questo lavoro.