Syväoppimisen vaikutus autonomisten ajoneuvojen kohteiden tunnistukseen liikenteessä

Abstract

Tässä tutkielmassa tarkastellaan, miten syväoppimista sovelletaan autonomisten ajoneuvojen kohteiden tunnistukseen liikenteessä ja mitä haasteita siihen liittyy. Tutkimus toteutettiin kirjallisuuskatsauksena, jonka aineisto kerättiin Web of Science-tietokannasta. Analyysissa keskityttiin syväoppimiseen perustuvien menetelmien lisäksi LiDAR-, tutka- ja kamerateknologioiden rooliin sekä erityisesti YOLO-algoritmien kehitykseen ja sovelluksiin. Tulosten perusteella YOLO-sarjan mallit tarjoavat tehokkaita ratkaisuja reaaliaikaiseen tunnistukseen, ja niiden tarkkuus paranee merkittävästi fuusiomenetelmien avulla. LiDAR osoittautuu luotettavaksi erityisesti vaihtelevissa valaistusolosuhteissa, kun taas kamerat ja tutka täydentävät sitä tuottamalla lisäinformaatiota ympäristöstä. Haasteita kohteiden tunnistuksessa on kuitenkin edelleen: LiDARin pistepilvien harvuus heikentää pitkän kantaman tunnistusta, YOLO-mallit kohtaavat ongelmia virheellisten tunnistusten ja sääolosuhteiden kanssa, ja fuusiomalleilla on ongelmia datan laadun ja viiveiden hallinnassa. Tutkielma osoittaa, että syväoppiminen on keskeinen tekijä autonomisten ajoneuvojen kohteiden tunnistuksen kehityksessä, mutta menetelmien luotettavuuden parantaminen edellyttää jatkotutkimusta erityisesti sensorifuusion optimoinnin ja mallien testaamisen osalta erilaisissa ympäristöissä.