Détection automatique de l’environnement d’un véhicule autonome à l’aide de l’intelligence artificielle

Guillemelle, Quentin (2023). Détection automatique de l’environnement d’un véhicule autonome à l’aide de l’intelligence artificielle. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (26MB) | Prévisualisation

Résumé

Le Ministère des Transports du Québec (MTQ) souhaite préparer la province du Québec pour l’arrivée des véhicules autonomes. Ce projet a été confié à l’École de Technologie supérieure (ÉTS) et à l’Institut du Véhicule Innovant (IVI), dans le but de cartographier les routes du Québec à l’aide d’images provenant d’une caméra montée sur un véhicule. À partir de ces images, des objets seront détectés à l’aide d’algorithmes de vision artificielle. Ainsi, le MTQ souhaite faire la détection automatique des nids de poule, lampadaires brisés et glissières de sécurité accidentées défectueuses afin de rehausser le niveau de sécurité routière.

Cette étude met l’accent sur la récupération de données locales afin d’entrainer des modèles de détections pour les infrastructures routières. De ce fait, des modèles basés sur l’apprentissage profond et l’architecture YOLO ont été entrainés. Le meilleur résultat obtenu pour la détection de nids de poule est 0.729 mAP. Pour la détection de lampadaires brisés, il est de 0.840 mAP. Aussi, ce projet a permis de récupérer une base de données contenant de plus de 8000 images et 4 classes de détections.

Titre traduit

Automatic detection of an autonomous vehicle's environment using artificial intelligence

Résumé traduit

The Ministry of Transportation of Quebec (MTQ) is preparing the province of Quebec for the arrival of autonomous vehicles. The project has been entrusted to ÉTS and the Innovative Vehicle Institute (IVI), with the aim of mapping Quebec roads using images from a vehiclemounted camera. From these images, objects will be detected using computer vision algorithms. In this way, the MTQ aims to automatically detect potholes, broken streetlights and defective guardrails, in order to improve road safety.

This study focuses on the collection of local data in order to train detection models for road infrastructure. As a result, models based on deep learning and the YOLO architecture were trained. The best result obtained for pothole detection is 0.729 mAP. For the detection of broken lampposts, it is 0.840 mAP. In addition, this project has produced a database containing over 8000 images and 5 detection classes.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire présenté à l’École de technologie supérieure comme exigence partielle à l’obtention de la maîtrise avec mémoire". Comprend des références bibliographiques (pages 117-123).
Mots-clés libres:	détection d’objets, infrastructures routières, apprentissage profond
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Saad, Maarouf
Codirecteur:	Codirecteur Comtois-Rivet, Pier-Marc
Programme:	Maîtrise en ingénierie > Génie de la production automatisée
Date de dépôt:	21 déc. 2023 16:00
Dernière modification:	21 déc. 2023 16:00
URI:	https://espace.etsmtl.ca/id/eprint/3326

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt