Deep Learning algorithms for adverse weather condition detection

One of the most critical obstacles for autonomous vehicles is their poor performance under adverse weather conditions. Autonomous vehicles usually use sensors such as cameras and light detectors to locate and monitor road signs, pedestrians or other vehicles. However, these sensors have difficulty adapting to adverse weather conditions or poor visibility, so their effectiveness and accuracy decrease drastically. Thanks to deep learning techniques and their generalization ability, autonomous vehicles can effectively identify outdoor weather and dangerous road conditions and thus make appropriate decisions to react quickly to new situations and environments. This project proposes a novel deep learning framework to categorize weather conditions, road conditions and environment understanding for autonomous vehicles in adverse or regular situations. In the current state of art, there is currently no framework that classifies these conditions simultaneously. The results gathered have a high level of accuracy due to the usage of a sophisticated dataset comprising images captured from real-world events under diverse and adverse weather conditions. The computational cost is relatively low thanks to the usage of the framework proposed, with an order of magnitude of a few parameters. Consequently, it can be effectively implemented in real-time environments to provide decisions on demand for autonomous vehicles with quick, precise detection capacity.

Uno degli ostacoli più critici per i veicoli a guida autonoma è la loro scarsa prestazione in condizioni meteorologiche avverse. Sensori come telecamere e lidar vengono solitamente utilizzati per consentire ai veicoli di localizzare e monitorare segnali stradali, pedoni o altri veicoli. Tuttavia, in caso di condizioni meteorologiche avverse o scarsa visibilità questi sensori hanno difficoltà ad adattarsi, quindi la loro efficacia e precisione diminuisce drasticamente. Grazie alle tecniche di deep learning e alla loro capacità di generalizzazione, i veicoli possono identificare efficacemente le condizioni meteorologiche esterne e le condizioni stradali pericolose e quindi prendere le decisioni appropriate per adattarsi facilmente a nuove situazioni. Questo progetto propone un algoritmo basato sulle reti neurali per classificare le condizioni meteorologiche, le condizioni stradali e l'ambiente circostante in situazioni avverse. Allo stato attuale dell'arte non esiste attualmente un algoritmo che classifichi contemporaneamente tutte le condizioni elencate sopra. I risultati raccolti hanno un elevato livello di accuratezza grazie all'utilizzo di un sofisticato set di dati comprendente immagini catturate nel nord europa in condizioni meteorologiche avverse. Grazie all'utilizzo del framework proposto, con un ordine di grandezza di pochi parametri, il costo computazionale è drasticamente ridotto. Di conseguenza, può essere efficacemente implementato in applicazioni in tempo reale per fornire decisioni ai veicoli a guida autonoma con capacità di rilevamento rapido e preciso.