Classification of Passersby Using Single-point LiDAR Sensor and Machine Learning

Bc. Dominik Klement

Bakalářská práce

Anotace:

Európske krajiny neustále zlepšujú verejnú dopravu rôznymi spôsobmi, pričom jeden z nich je znižovanie počtu áut na cestách pomocou verejnej dopravy a poskytovania zdieľaných dopravných prostriedkov. Mestá však potrebujú dáta z dopravy na to, aby mohli vybudovať novú alebo zlepšiť už existujúcu infraštruktúru. Momentálne existuje viacero zariadení pre počítanie účastníkov cestnej dopravy. Avšak, tieto zariadenia potrebujú buď externé napájanie, alebo nevedia rozoznať chodca od cyklistu, prípadne ich inštalácia zahŕňa narušenie pozemnej infraštruktúry. V tejto práci sme vytvorili a implementovali nový spôsob počítania založený na jednobodovom LiDAR senzore a hlbokom učení, ktoré funguje na 32-bitovom mikrokontroléri. Zistili sme, že nízke rozlíšenie senzoru spôsobuje nemožnosť rozoznania skupín troch a viac okoloidúcich. Experimenty ukázali, že nové riešenie rozoznáva cyklistov a chodcov s presnosťou 85%. Nami navrhnutý spôsob je teda vhodný pre použitie v menej frekventovaných lokalitách, oblastiach so žiadnou infraštruktúrou alebo dokonca na horách.

Abstract:

European countries have been improving public transportation in many ways, one of which is reducing the number of cars on roads by utilizing public transport and providing micro-mobility vehicle sharing. However, cities need traffic data to build a new road infrastructure and enhance the existing one. Multiple traffic counting devices exist. Nonetheless, they either need an external power source, cannot distinguish between cyclists and pedestrians, or require disrupting an existing road infrastructure during the installation phase. In this thesis, we create and implement a new approach based on a single-point LiDAR sensor and deep learning models deployed on a 32-bit microcontroller. We found the sensor resolution to be the main limitation as we cannot distinguish groups of three and more passersby accurately. However, the evaluation showed that the new counting approach distinguishes cyclists and pedestrians with 85% accuracy. Hence, the new counting approach is suitable for deployment in less-occupied places, areas with no road infrastructure, or even mountains.

Keywords

machine learning, deep learning, neural networks, time series, LiDAR, passersby counting, traffic counting, embedded devices, tinyml

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 19. 5. 2022

Obhajoba závěrečné práce

• Obhajoba proběhla 28. 6. 2022
• Vedoucí: doc. RNDr. Tomáš Brázdil, Ph.D.
• Oponent: RNDr. Jaroslav Čechák

Masarykova univerzita

Fakulta informatiky

Bakalářský studijní program / obor:
Informatika / Informatika