Detectie en tracering van tramsporen in het OTIV rijassistentiesysteem voor het opbouwen van een veiligheidszone rondom spoorvoertuigen.

OTIV is een Gentse AI start-up die software ontwikkelt om de veiligheid en efficiëntie van railvervoer in complexe omgevingen te verhogen, door deze voertuigen autonoom te leren rijden. In eerste instantie wil OTIV die veiligheid realiseren door assistentie te bieden aan de bestuurder in de vorm van een Advanced Driver Assistance System (ADAS). Binnen de ADAS is rail segmentatie de basis van het creëren van een veilige zone voor de tram. Deze zone wordt gebruikt als uitgangspunt om te bepalen of er al dan niet een veilige situatie is. Zonder rail segmentatie is wat OTIV wil realiseren, niet mogelijk. Het is de core van hun autonomous driving systeem.

Het doel van deze thesis is het opleveren van een geoptimaliseerd rail segmentatie model, dat kan kan ingezet worden ingezet in de bestaande machine learning pipeline van OTIV. In eerste instantie wordt er een analyse gemaakt van de bestaande real time image segmentatie modellen die beschikbaar zijn en kunnen toegepast worden voor de doeleinden van rail segmentatie at inference. Op basis van deze analyse wordt een top-3 opgesteld van de meest performante modellen. Deze modellen worden geïmplementeerd en gebenchmarkt ten opzichte van elkaar met behulp van de RailSem19 dataset. Met de resultaten van de benchmark wordt uiteindelijk één model overgehouden.

Het gekozen model wordt vervolgens geoptimaliseerd, zowel op vlak van snelheid als nauwkeurigheid. Om de snelheid te maximaliseren, en het model inzetbaar te maken voor de real time use case van OTIV, wordt gebruik gemaakt van Nvidia's TensorRt optimalisatie. Om de nauwkeurigheid te verhogen, en het model zo robuust mogelijk te maken, wordt gebruik gemaakt van data optimalisatie en data augmentatie. Op de output van het geoptimaliseerde model, een segmentatie mask met de gedetecteerde rails, wordt tot slot een post-processing procedure losgelaten. De rail segmentatie wordt gebruikt om een uitgebreide safe-zone te berekenen, die in samenwerking met object detectie een mogelijke collision kan detecteren en zo een veilige doorgang voor de tram garandeert.