Road Surface Recognition Based on DeepSense Neural Network using Time Series Accelerometer Data
Date
2019
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Tartu Ülikool
Abstract
Nowadays, Smart devices plays a big role in our lives, especially in our daily activities.
Therefore, Smartphones can be considered as one of the most interesting sensor for
depicting our activities and our surroundings. Furthermore, the computation power of
smartphones has increased a lot recently as most of them have multiple sensors like
accelerometers and gyroscopes. Besides, They are capable of processing more tasks than
we ever imagined. Because of their advantages of convenience and low-cost, the portable
computation platforms has been adopted in the development of autonomous vehicles.
The most critical issue of the intelligent system assisted vehicles is that the safety
problem. The recognition of the road surface is one of the components to ensure the
safety drive. Most of the solutions use sensor fusion to recognize road surfaces such as
combining cameras and LiDARs, which is costly for equipment and they usually need
installations to re-equip existing cars, but these methods provide overall excellent results.
This thesis proposes a method for recognizing the road surface based on using accelerometer
data collected from smartphone. The process uses time series data collected
from a smartphone’s accelerometer, followed by a massive time series feature extraction
and selection. After that, the features are fed into trained DeepSense variant neural
network framework to get the recognition of the road surfaces. The proposed method
provides three classes recognition for smooth, bumpy and rough roads.
Moreover, in this thesis we conducted a thorough evaluation and analysis of the
proposed method by comparing it with conventional machine learning methods like
SVM, random forest, fully connected neural network and convolutional neural network.
The accuracy of the method in this thesis overmatch the compared examples. The road
surface type will be classified into three categories which will indicate smoothness of the
road surface.
Description
Tänapäeval omavad nutiseadmed meie elus suurt rolli, eriti igapäevastes tegemistes.
Sellepärast võib kaaluda nutitelefoni kui üht kõige huvitavamat andurit kujutamaks meie
tegevusi ja meie ümbrust. Lisaks sellele on nutitelefonide arvutusjõudlus hüppeliselt
kasvanud, mida kinnitavad nendes sisalduvad erinevad andurid nagu kiirendusmõõturid
ja güroskoobid ning võimekus sooritada rohkem ülesandeid kui kunagi varem. Nende
mugavuse ja madala hinna tõttu on nutitelefone hakatud kasutama kui kaasaskantavaid
arvutusplatvorme autonoomsete sõidukite arenduses.
Intelligentsete sõidukite süsteemide kriitiliseimaks probleemiks on turvalisus. Teekatte
tuvastus on üks turvalise liiklemise põhikomponentidest. Enamik praeguseid lahendusi
teekatte tuvastamiseks kasutavad erinevate sensorite nagu kaamerate ja LiDARite kokkusulatamist.
See on küll efektiivne meetod, kuid tegemist on kallite anduritega ning mille
kasutamine vajab auto enda modifitseerimist.
Lõputöö pakub välja meetodi teekatte tuvastamiseks kasutades nutitelefonis oleva
kiirendusmõõturi andmeid. See protsess kasutab ajaliselt jätjestatud kiirendusmõõturi
andmeid, millele järgneb masiivne ajaliselt järjestatud tunnuste eraldamine ja valimine.
Peale seda suunatakse eraldatud tunnused DeepSense närvivõrgu raamistikku, et teekate
tuvastada. Meetod klassifitseerib kolme erinevat teekatte tüüpi: sile, munakivitee ja
kruusatee.
Põhjalik pakutud metoodika uurimine ja analüüs viiakse läbi kasutades üldlevinud
masinõppe meetodeid nagu tugivektor-masinad, otsustusmets, täielikult ühendatud närvivõrgud
ja konvulutioonteisendus närvivõrgud. Metoodikal põhinevad katsed näitavad, et
pakutud lähenemine võimaldab tuvastada teekatte siledust väljapakutud kolme kategooriasse.
Keywords
Road Quality, Machine Learning, SVM, Random Forest, Neural Network, Mobile Phones, Accelerometer Data, maanteede kvaliteet, masinõpe, juhuslik mets, närvivõrk, mobiiltelefonid, kiirendusmõõturi andmed